Beruflich Dokumente
Kultur Dokumente
com/libreria
,//*PROBABILIDAD
Y APLICACIONES
ESTADÍSTICAS
Edición revisada
Paul L. =er
Wushington Stute University
""
Versión en español
Carlos Prado Campos
Universidud Cutólica de Chile
' Con la colaboración de
I
*
vv ADDISON-WESLEY IBEROAMERICANA
Argentina Brasil Chile Colombia Ecuador Espana
Estados Unidos Mexico Perú Puerto Rico (1 Venezuela
, < I
Este texto está destinado para u n curso de un scmestreo para dos cur-
sos trimestrales de introducción ala teoría dlc la probabilidad y algunas
de sus aplicaciones. El prerrequisito es un mío d c cálculo diferencial e
integral. No se supone conocimiento prcvio de probabilidad o estadísti-
ca. E n la Mhshington StateUniversity, cl cuIso para cl cual se desarroll6
este texto ha sido impartido durantevarios aíios, principalmente a es-
tudiantcs que se especializarán cn ingcnieríao en ciencias naturales. La
mayoría d e ellos sólo pucdcn dcdicar un semcstrc a l estudio de esta ma-
teria. Sin enlbargo, comoya cstin hniliarizados con cl cálculo, pueden
empczar dicho cstudiom i s allh clcl nivel estrictamente elemental.
Muchos tcmas matcmriticos pucden prcsentarse en diversos grados
de dificultad, y esto es cspecialmente en probabilidad. En este texto
sc pretende aprovechar la ventaja que suponcn los conocimientos ma-
temáticos del lector, sin sobrepasarlos. En (51 sc usa un lenguaje mate-
málico prcciso, pero se tiene cuidadod e no prorundizar demasiado en
dctallcs matemáticos innecesarios. e s t e n o es ciertamente u n “libro d e
cocina”. Aunque se prescntan y exponcn varios conccptos de manera
informal, las dcfinicioncs y los teoremas sc enuncian con cuidado. Si
no es posible o deseable la dcmostración detallada de un teorema, al
menos se da 1111bosquejo d e las ideas mhs importantes. Una de las ca-
racterísticas distintivasd e este textoson las “Observaciones” que siguen
a la ma)-oría de los teoremas y definiciones; en cllas, el resultado par-
ticular o el conccpto prcsentado se esamin;an desde un punto d e vista
intuitivo.
Dcbido ala restricción autoimpuestade escribir un testo relativamen-
te b r e w sobrc una matcriaquc abarca una extensa área, h l h o necesidad
de hacer una sclccción para incluir o excluir cicrtos temas. Parece scr
que no hay manera obvia d e resolver estc problcma. Ciertamente, no
sostengo que para algunos de los temas excluidos no se podría haber
encontrado sitio, ni prctendo que no haya alguna parte que se pudiera
haber omitido. Sin embargo, en gran partese ha hccho hincapik en las
nociones Tkdamentales, presentirdolas con detalle considerable. S610
el capítulo 11, sobre confiabilidad, puede considerarse “artículo de lu-
jo”; pero, aun aquí, creo que las nociones asociadas con problemas d e
confiabilidad son d e interés para muchas personas. Ademhs, los con-
Índice General
Capítulo14
Estimación de paráimetros 373
14.1Introducción ...................................... 373
14.2Criteriosparaestimados .......................... 375
14.3 Algunosejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
14.4 Estimados de máximaverosimilitud . . . . . . . . . . . . . 354
14.5 El método de los mínimos cuadrados . . . . . . . . . . . . 395
xvi h d i c e general
Apéndice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 451
“Cada vez que utilizamos las matematicas’ con el objeto d e estudiar fe-
nómenos observables es indispensable empezar por consLruir un modelo
maten1,itico (determinism o probabilístico) para estos fenómenos. Necesa-
riamente, este modelo debe simplificar Ins cosas y permitir la omisi6n d e
ciertos deulles.El éxito delmodelo depende desi los detalles que se omitie-
ron tienen o no importancia en el desarrollo de los fenómenos estudiados.
La solucirin del problema matemático puede ser correctay aún así estar en
desacuerdo con los datos observados, debido sencillamente aque no estaba
probada la validez d e las suposiciones básicas que se hicieron. Normalmente
es bastante dificil afirmar con certeza si un modelo matemritico es adecuado
o no, antes de obtener algunos datos, mediante la obsenracibn. Para verificar
la validez del modelo, debemosdeducir un cierto número deconsecuencias
del mismo y luego compararcon las observaciones esos resultados~redichos.”
Con elfin d e discutir los conceptos básicos del modclo probabilístico que
deseamos desarrollar, será muy conveniente tener presentes algunas
ideas y conceptos d e la teoría matemática d e conjuntos. Este tema es
muy extenso y se h a escrito mucho acercad e él. Sin embargo, aquísólo
necesitaremos algunas nocionesbásicas.
Un conjunto es una colección d e objetos. Comúnmente los conjuntos
se designan con letras mayúsculas A , B , etc. Para describir qué objetos
están contenidos enel conjunto A, se dispone dctres métodos.
a) Podemos anotar los elementos d e A. Por ejemplo, A = { 1 , 2 , 3 , 4 }
indica el conjunto que contienelos enteros positivos 1, 2, 3 y 4.
6) Podemosdescribiralconjunto A con palabras.Porejemplo,
podríamos decir queA está formado por todos los números reales entre
O y 1, inclusive.
c) Paradescribir el conjuntoanterior,simplementeescribimos
A = {x 1 O 5 x 6 1); es decir, -4 es el conjunto d e todas las x, don-
d e x es un número real comprendido entreO y 1, inclusive.
Los objetos que formanla colección del conjuntoA se llaman miembros
o elementos d e A. Cuando “a” es u n elemento d e A escribimos a E A y
cuando “a” 110 es un elemento de ilescribimos a A.
IIay dos c o ~ ~ j u n t oespeciales
s que a menudo son de interés. En la
mayor parte de los problemas estamos interesados en el estudio de un
1.2 Introducción a los conjuntos 5
C = { x I x E A o x E B ( o ambos)}.
6 Introduccwn a la probabilidad 1.2
AuB AnB
FIGURA1.1
1.5 Eventos
vez que mencionemos un evento será la declase que nos está permitido
considerar.
Podemos usar ahora los diversos métodos para combinar conjuntos
(es decir, eventos)y obtener los nucvos conjuntos (es decir, eventos) que
presentamos con anterioridad.
a) Si A y B son eventos, A U I? es el evento que ocurre si y sólo si il o
B (o ambos) ocurren.
b) Si A y B son eventos, A n B es cl evento que ocurre si y sólo si A y
B ocurren.
c) Si A es un evento,A” es cl evento que ocurre si y sólo si A n o ocurre.
d ) Si z41,. . . , A , cs cualq~liercolección finita de eventos, entonces
U=
;, A; es el evento que OCUI-re si y sólo si al menos uno d e los eventos A;
ocurre.
e ) Si A l : . . . , A , es cualquicr coleccidn finita d e eventos, entonces
ny==,A ; es el evento que ocurresi y sólo si todos los eventos Ai ocurren.
J) Si A l , . . . ,A,, . . . es cualquier colección infinita (numerable) de
eventos, entonces uEl A ; cs el evento que ocurre si y sólo si al menos
uno de los cventos A ; ocurre.
g) Si Al ~.. . , A , , . . . es cualquier colección infinita (numerable) d e
eventos, entonces nzl A l es el evento que ocurre si y sólo si todos los
eventos A ; ocurren.
h ) Stlp6ngasc que S reprcscnta el espacio mucstral asociado con un
experimento E y realizarnos E dos veces. Entonces S x S se puede utilizar
para rcpresentar todos los resultados d e csas dos repeticiones. Es decir,
(sl,s2) E S x S significa quc s1 resultó cuando se realizó E la primera
vez y S? cuando se realizó E la segunda vez.
i) Evidcntcmente, cl ejemplo h se puede generalizar. Consideremosn
repeticiones d c u n espcrimcnto E cuyo espacio muestrales S. Entonces,
S x S x . . . x S = { ( S ] , S ? , . . . ,,S,,),si E S, i = 1,. . . , T I } representa el
conjunto dctodos los ~-csultadosposibles cuando E se realiza n veces. En
cierto sentido, S x S x . - x S cs un espacio mucstral en si mismo, o sea
cl espacio mtlcstr-al asociado con n repeticiones d e E .
Definición. Se dice que dos eventos, A y B son mutuanzente e x c l y e n t e s
si no puedcn ocurrir juntos. Expresamos esto escribiendo AnB =
0; cs dccir, la intcr-scccibn d e A y B es el conjunto vacío.
EJEMPLO1.4. Se prucbaunartefactoclectrdnico y seregistrasu
tiempo total deuso, digamos t . Supongamos que el espacio muestral es
{ t 1 i 2 O}. Sean il, 4 y C tres eventos definidos como sigue:
1 .G Frecuencia relativa 15
l .6 Frecuencia relativa
1) 0 5 fA 5 1-
2) f A = 1 si y sólo si A ocurre cada vez en Ias n repeticiones.
3 ) fJi = O si y sólo si 4 nunca ocurre en las n repeticiones.
4) Si A y B son dos eventos que se excluyen mutuamente y si filvg
es la frecuencia relativa asociadaal evento A U B, entonces f ~ ” =
n
fA -k fB.
5) f A , basada en las n repeticiones del experimento y considerada
para una función d e n, “converge” en cierto sentidoprobabilístico
a P ( A ) cuando n + OO.
16a Irttroducción la probabilidad 1.6
1) O 5 P ( A ) 5 1.
2) P ( S ) = 1.
3) Si A y B son eventos que se excluyen mutuamente, P(,4 U B ) =
+
P(A) P(B).
4) Si A l , A2,. . . ,A,,, . . . son eventos que se excluyen mutuamentede
par en par, entonces
/ n \ n
P ( A ) = 1- P ( A C ) (1.4)
Obseruacwn: Este es un resultado muy íítil porque indica que cada vez que
deseamos calcular P ( A ) en su lugar podemos calcular P ( A C )y obtener el re-
sultado deseado porsustracción. Después veremos que en muchos problemas
es & S fácil calcular P ( A C )que P ( A ) .
P ( AU B ) = P ( A ) + P ( B ) - P ( : An B ) .
-
AnB AnB
FIGURA1.2
Así escribimos
Por lo tanto,
P ( A u U ) - P ( B ) = P ( A )- q . 4 n U )
y, por tanto, se obtieneel resultado.
Obsernacióu: Este teorcma representa una extensión oljvia de la propiedad
3 , porque si A n L? = 0, d e lo anterior obtenemos el enunciado de la propie-
dad 3 .
i=l i<j=2
k
+ P ( A ; n ~j n A,> + ...+ ( - I ) ~ - I P ( A ~ n A:, n . . . n Ak).
i<j<r=3
(1.7)
1 .S Varias obsemaciones
PROBLEMAS
1.1. Supóngase que el conjunto universal consta d e los enteros positivos d e
A = { 2 , 3 , 4 } , B = { 3 , 4 , 5 } y C = { . T , G , 7). Anote los elementos d e
1 a 10. Sean
los siguientes conjuntos.
U) ACn B b ) ACu B C) ( A Cn d ) ( A n ( B n C)')' e ) ( A n ( B u C))"
1.2. Supóngase que el conjunto universal U esd dado porU = {x I O 5 z 5
2). Sean los conjuntos A y B definidoscomosigue: A = {x I < 2 5 1) y
B = {z I 5 2 5 i}.
Describa los conjuntos siguientes:
a)(AUB)cb)AUBcc)(AnB)Cd)ACnB
1.3.{Cuáles d e las siguientes relaciones son verdaderas?
a) ( A U B ) n ( A U C ) = A U ( B n C ) b ) ( A u B )= ( A n B c ) u B
C) ACnB=AUB d)(,4~B)~nc=A~nB~nC~
e) ( A n B ) n ( B C n C ) = O
1.a. Supóngase que el conjunto universal consta de todos los puntos (x,y)
cuyas coordenadas son enteros y quedan dentro o sobre el contorno del cua-
drado acotado por las rectas z = O, y = O, x = G y y = B. Indique los elementos
d e los conjuntos siguientes.
b) Supónpzm que las bombillas anteriores se prueban una por una, hasta
que se prueban todas las defectuosas. Describir el espacio mnestral para este
experimento.
1.8. Considkrcnse cuatro objetos, n , b, c y d. S u p ó n p e que el oulen en el
cual se anotan esos objetos representa el resultado de un experimento. SeanA
y B los eventos definidos como sigue: A = { a est5 en el primer l u p r } ; B = { b
cst5 en el segundo lug“}.
a ) Anotar todos los elementos del espacio muestral.
b) h o t a r todos los elementos de los eventos A n B y il U D .
1.9. Un lote contiene artículos que pesan 5, 10, 15,..., 50 libras. Supóngase
qne al menos dos artículos d e cada pcso se encuentran allí. Se eligen dos
artículos dcl lote. Identifiquese con S el peso del primer articulo elegido y
con I’ cl pcso del segundo artículo. Así, el par de nlimcros ( X , Y representa
)
un solo resultado dcl experimento. Usando el plano STY,indiquese el espacio
muestral y los eventos siguientes.
a) { S = I ‘ } b ) {Y > S }
c ) El segundo ardculopesa el doblc del primero.
d ) E1 primer artículo pesa 10 libras menos que el segundo.
e ) El promcdio d e peso de los dos artículos es menos de 30 libr‘as.
1.10. E n un periodo de 21 horas, en u n momento S , un interruptor se
pone en la posición “cnccnditlo”. Posteriormente, en un momento Y (en el
rnisnlo periodo d e 2.1 horas), el interruptor se pone en la posición “apagado”.
Supcingase que X y Y se miden en h o r a e n el eje de tiempo conel comienzo del
periodo como origen.El resultado del experimento consta delpar denlimeros
( S , 1‘).
a) Describir el espacio mucstral.
b ) Describir y dibujar los siguientes eventos en cl plano SI’.
i) El circuito funciona durante una hora o menos.
ii) El circuito hnciona en el tiempo z, donde z es 1111 instante durante el
periodo tlado tlc 2.1 horas.
iii) 1 1 circuito empieza a funcionar a n t a del tiempo t l y deja de funcionar
después del ticlnpo t 2 (tlontlc otra~ e 11z < 12 son dos instantesd e ticmpo
durante el periodo especificado).
iu) El circuito funciona cl doble de lo que est5 apagado.
1.1 1 . Scan :I, B y C tres eventos asociados con un experimento. Expresar
las siguientes proposiciones \~erbalesen notación d e conjuntos.
mcnos uno d e los eventos ocurre.
a ) ill
0) Exactamente uno d c los eventos ocurre.
c) Exactamente d o s dc los eventos ocurren.
Problemas 25
p 3 = $1, p , = 72 Y p 1 = 74
P(A)= r / k .
Este ejemplo ilustra dos puntos. Primero, debemos estar seguros por
completo de quetodos los resultados que se pueden suponer son igual-
mente probables antes de utilizar el procedimiento anterior. Segundo,
30 Espacios muestrales finitos 2.3
Prob (clegir u ; ) = ] / N , i = 1 , 2 , . . ,N .
b) Escoger al azar dos o6jetos entre N objetos significaque cada uno de los
prcres d e objetos (sin considerarel orden) tienela misma probabilidadd e
ser escogido que cualquier otro par. Por ejemplo, si debemos elegir dos
objetos al azar d e ( u l ,a2, a 3 , u 4 ) , y luego obtener a l y a2 es tan probable
como obtener a2 y a s , etc. Esta afirmación nos lleva de inmediato a
la cuestión d e curintos pares diferentes hay. Supongamos que hay K
d e talcs pares. Entonces, la probabilidad d e cada par sería l/K. Muy
pronto aprenderemos a calcularK .
c ) Escoger al azar n objetos (n. 5 N ) entre N objetossignifica que
cada n-tupla, digamos o i l , n i 2 , . . . ,n i n , tiene tantas probabilidades d e
ser elegida como cualquier otra n-tupla.
Obsemacwlz: Anteriormente pa sugeri~nos quese debe tener mucho cuida-
do en In parte experimental para asegurar que la suposición matem5tica de
“cscoger al azar” se cumpla.
Métodos de enumeración 3 1
175991
2.3
n.! *
npr =
(72 - T)!
n!
Cr! =
( n- r)!
c = r ! ( nn-! T)!
n!
r!(72- T)!
- - - ( n - r + 1)
(:) =
n(n - l ) ( n - 2)
r!
(F).
de maneras como podemos elegir k entre n ues, sin considerar el orden.
Pero esto estádado precisamente por Así,, tenemos lo que se conoce
como teoremu del binomio.
a) (;) ( ),
= n-r
b, (;) (:I;) ( y ’ )
= +
(z) n!
= k ! ( n- k ) !
- n(n-l)"'(n-k+l)
-
k!
y así sucesivamente.
Utilizando esta versión extendida de los coeficientes binomiales, podemos
expresar la f o m a generalizada del teorema del binomio:
co
(1 + = (;)Xi
k=O
Esta serie es significativa para cualquier n real y para todas las x tales que
121
un número finito de términos, puesto que enese caso (z)
< 1. Observemos que si n es un entero positivo, la serie infinita se reduce a
= O si k > n.
cío.
e ) Podemos obtener el resultado anterior usando el principio de
adicióncomosigue.Paraobtenersubconjuntosdebemosescoger el
conjunto vacío, los subconjuntos que constan desólo un elemento, los
que constand e sólo 2 elementos,. . ., y el conjunto mismo que consta de
todos los n elementos. Esto se puede hacer de
(3 (Y) (3
+ + +.**-+ (:)
maneras.Sinembargo, la sumade esoscoeficientesbinomiales es
+
simplemente el desarrollod e (1 1)” = 2 n .
Ahora volvamos al ejemplo2.4. De un lote que consta d e 20 artículos
defectuosos y SO artículosnodefectuososescogemos 10 al azar (sin
sustitución). El número de maneras de hacer esto es (I:,). Por tanto,
la probabilidad de encontrar5 artículos defectuosos y 5 no defectuosos
entre los 10 elegidos está dada por
38 Espacios muestrales finitos 2.3
Hay (i)
= 6 resultados posibles. Cada uno de los resultados indivi-
duales indica sólo cuúles fueron los dos objetos escogidos y no el orden
en que se escogieron.
b ) Si escogemos con sustitución el espacio muestral S' se puede re-
presentar como sigue:
n!
PROBLEMAS
2.1. En una habitación se encuentra el siguiente grupo de personas: 5
hombres mayores de 21,4hombres menores d e 21, 6 mujeres mayores de 21 y
3 mujeres menores d e 21. Se elige una persona al azar. Se definen los eventos
siguientes: A = {la persona es mayor de 21 1; B = {la persona es menor d e 21);
C = {la persona es hombre}; D = {la persona es mujer}. Evaluar lo siguiente.
a) P(B UD )
b ) P(RCn C c )
2.2. En una habitación 10 personastienen insignias numeradas del 1 al
10. Se eligentrespersonas a l azar y se les pidequedejen la habitación
simultáneamente y se anotan los números d e las insignias.
a) !Cuál es la probabilidad de queel número menor delas insignias sea 5?
t ) < C u d es la probabilidad de queel número mayor d ea
s insignias sea 5?
l
2.3.a) Sup6ngase que se escriben tres digitos 1 , 2 y 3 en un ordenaleatorio.
?Curil es la probabilidad de queal menos un dígito ocupe su lugar propio?
Lo mismo que a ) con los dígitos 1, 2, 3 y 4.
b ’ j
i.
Si escogemos con sustitucibn, P ( A ) = P ( B ) I= $ = Cada vez que
elegimos, en el'lote hay 20 artículos defectuosos de un total d e 100. Sin
embargo, si elegimos sin sustitución, los resultados no son totalmente
inmediatos. Todavía es verdad,porsupuesto,que P ( A ) = :. Pero,
¿cuál es el valor d e P ( B ) ? Es evidente que con el propósito de calcular
P( B ) deberíamos conocer la composición del lote cuundo se escoge el
44 Probabilidad econdicional independencia 3.1
(1,l) (l,2) .. . ( 1 7 6)
(2,l) (2,2) . ..
S=
(6,l) (G,2) . ..
Definición.
46 Probabilidad
independencia
condicional
e 3.1
c) Si A = S,P ( B I S)= P ( B n S ) / P ( S )= P ( B ) .
d ) Con cada evento B c S podemos asociar dos números, P ( B ) ,la probabi-
lidad (no condicional) d e B y P ( B I A ) , la probabilidad condicional de B , dado
que algún evento A (para el cual P ( A ) > O) ha ocurrido. En general, esas dos
medidas d e probabilidad aignarán probabilidades distintas al evento B , como
se indicó en los ejemplos precedentes. En breve estudiaremos un importante
caso especial, en el cual P ( B ) y P ( B I A ) son la misma.
e ) Nótese que la probabilidad condicional está definida en términos de la
medida d e probabilidad no condicional P . Esto es, si conocemos P ( B ) para
cada R c S podemos calcular P(B I A ) para cada B c S.
U *j60 40 100
P ( E n N ) -"
- 40,'loo - 4
P(E I N ) = --
P(N) 70,1100 7
La consecucncia más importante d e la definición de probabilidad
condicional anterior se obtiene escribiéndola de la manera siguiente:
P(An B ) = P ( B I A)P(A)
a lo que equivale (3.3a)
P ( A n B ) = P ( A I B)Pl(B).
Esto también se conoce como el teorema de nzultiplicacidn de probabili-
dades.
Podemos aplicar este teorema al cálculo d e la probabilidad de la
ocurrencia simultánea delos dos eventos A y B.
19
P ( A n B ) = -.
495
FIGURA
3.2
a) B; n Bj = 8 para toda i # j.
b) uk B; = s.
i=l
(Porejemplo,enellanzamientodeundado B1 = {1,2}, B2 =
{3,4,5} y B3 = (6) representarían una partSci6n del espacio muestral,
mientras que C1 = { 1 , 2 , 3 , 4 } y C2 = { 4 , 5 , 6 } no lo harían.)
Sea A algún evento respecto a S y sea B1, B?, . . . , Bk una partición
de S.
El diagrama de Venn de la figura 3.3 ilustra esto para k = 8. Por
tanto, podemos escribir
.:-
+
P ( B )= P ( B I A)P(A) P ( B I AC)P(AC).
P(B1 I A) =
(0.02)(1/2) + ((0.02)(1/4)
o-W(1/2)
+ (0.04)(1/4) = 0.40.
Obsenlacidn: Otra vez podemos encontrar en química una analogía con el
teorema d e Bayes. En E Inatraces tenemos soluciones de l a misma sal, pero en
concentraciones diferentes. Supongamosque el volumen tot71 d e la solución es
un litro. Indicando el volumen de la solución en el i-Csimo matraz conP ( B ; )y
la concentración de la sal en ese mismo matraz con P ( A I I ? ; ) , encontramos que
l ecuncicin (3.5) da la proporción d e la cantidad completa d e sal encontrada
a
en el i-ésimo matraz.
r ( A n B ) = P ( A 1 B ) P ( B )= P ( A ) P ( B ) ,
P ( A n B ) = P ( B I A ) P ( A )= P ( B ) P ( A ) .
60 40 100
N r l ;: :E];: : K l ; :
U
E
60
(4
M
40 100
E
60
(b)
M
40 100
E
60
(c)
M
40 100
P ( A n B ) = P ( B I A ) P ( A ) =: E ( O . 9 )
- E m = FIGURA3.4
P(A;, n A;, n . n A i k ) = P ( A ; , ) P ( A ; , ) .
a P(A;,). (3.8)
FIGURA3.5
P(E) = P ( An +
~ z42) p ( A 3 n A4) - P(A1 n A2 n A3 n A4)
= p 2 + p 2 - p 4 = 2 p "9 p . 4
60 Probabilidad condicional e independencia 3.3
Para cerrar este capítulo indiquemos una solución muy común, pero
errónea, del problema.
EJEMPLO3.13. Suponga que entre seis pernos, dos son m5s cortos
que una longitudespecífica. Si se escogen dos pernos a l azar, Ccuál es la
probabilidad d e escoger los dos más cortos? SeaAi el evento {el i-ésimo
perno elegido es corto}, i = 1 , 2 .
Por lo tanto, queremos evaluar P(A1 n A2). La solución correcta se
obtiene, naturalmente, al escribir
I 1
0.2 1
FIGURA
3.7
+
Por lo tanto, P ( A n B ) = 0.1, P ( A ) = 0.1 0.3 = 0.4 y P ( B ) =
+
0.1 0.4 = 0.5.
En seguida, representemos las diversas probabilidades con las Úrem
de los rectángulos como en la figura 3.8. E n cada caso, las regiones
sombreadas indican el eventoB : en el rectángulod e la izquierda repre-
sentamos A n B y en el d e la derecha A’ n B.
A A’ FIGURP
A A’ FIGURA
3.10
PROBLEMAS
3.1. La urna 1 contiene x esferas blancas y y rojas. La urna 2 contiene .z
esferas blancas y u rojas. Se escoge una esfera al azar d e la urna 1 y se pone
en la urna 2. Entonces se escoge una esfera al azar d e la urna 2. ¿Cuál es la
probabilidad de queesta esfera sea blanca?
3.2. Dos tubosdefectuososse confunden con dosbuenos. Los tubos se
prueban, uno por uno,hasta encontrar los defectuosos.
a) ¿Cuál es la probabilidad d e encontrar el illtimo tubo defectuoso en la
segunda prueba?
b ) ¿Cuál es la probabilidad d e encontrar el diltimo tubo defectuoso en la
tercera prueba?
c) ¿Cuál es la probabilidad de encontrar el illt.imo tubo defectuoso en la
cuarta prueba?
d ) Sumar los números obtenidosena), b ) yc). ¿:Es sorprendente el resultado?
3.3. Una caja contiene 4 tubos malos y 6 buenos. Se sacan dos a la vez. Se
prueba uno deellos y se encuentra quees bueno. (Cuál es la probabilidad d e
que el otro también sea bueno?
3.4. En el problema anterior los tubos se verifican sacando uno al azar, se
prueba y se repite el proceso hasta que se encuelntran los cuatro tubos malos.
¿Cuál esla probabilidad d e encontrar el cuarto tubo malo
a ) e n la quinta prueba?
b ) en la décima prueba?
3.5. Supóngase que A y B son dos eventos independientesasociados con un
experimento. Si la probabilidad de queA o B ocurra es igual a 0.6, mientras
que la probabilidad de q u e A ocurra es iguala 0.4, determinar la probabilidad
de queB ocurra.
3.6. Veinte artículos, 12 de los cuales son defectuosos y 8 no defectuosos, se
inspeccionan uno después d e otro. Si esos artículos se escogenal azar, ¿cuál es
la probabilidad de que:
a ) los dos primeros artículos inspeccionados sean defectuosos?
b ) los dos primeros artículos inspeccionados scan no dcfectuosos?
c) entre los dos primeros articulos inspeccionados haya uno defectuoso y
uno no defectuoso?
3.7. Supóngase que tenemos 2 urnas, 1 y 2, cada una con dos cajones. La
urna 1 tiene una monedade oro en cajón un y un,a d e plata e n el otro,mientrns
que la urna 2 tiene una moneda de oro encada uno delos cajones. Se escoge
una urnaal azar, y de ésta seescoge un cajón al azar. La moneda que se encontró
64 Probabilidad condicional e independencia
TABLA
3.2
Número
2 O 1 3 4 5 6
d e fallas
P ( A falle) = 0.20,
P ( B sólo falle) = 0.15,
P ( A y B fallen) = 0.15.
3.31. Un sistema eléctrico consta d e dos interruptores del tipo A, uno del
tipo D y cuatro deltipo C conectados como apareceen la figura 3.12.Calcular
la probabilidad de queno se pueda eliminar una fillla en el circuito conla llave
IC, si los interruptores A, B y C estiln abiertos (es decir, fuera d e servicio) con
probabilidades 0.3, 0.4, respectivamente,
0.2, y si. ellos funcionan d e manera
independiente.
FIGURA
3.12
f
3.32. La probabilidad de que un sistema se sobrecargue es0.4 durante cada
conjunto d e ensayos de un experimento. Calcular la probabilidad de que el
sistema deje de hncionar entres ensayos independientes del experimento, si
las probabilidades d e fallar en 1, 2 o 3 ensayos son iguales a 0.2,0.5 y 0.8,
respectivamente.
probabilidad (el n-ésimo día del añoes “seco”),obtener una expresión paraPn
en función d e P y p . Evaluar también línln+m& e interpretar su resultado.
(Sugerencia: Expresar Pn en función de ,&-I).
3.35. En una ciudad se publican los periódicos A, B y C. Una encuesta
reciente de lectores indica lo siguiente: 20% lee A, lG% lee B, 14% lee C, 8%
lee A y B , 5%lee A y C, 2% Ice A, B y C, y 4% lee B y C. Para un adultoescogido
al azar, calcular la probabilidad de quea ) no lea ninguno d e los periódicos, b )
lea exactamente uno delos periódicos, c) lea al menos A y B si se sabe que lee
al menos uno delos periódicos.
3.36. Una moneda normal se lanza 2n veces
a) Obtener la probabilidad de quehaya un número igual d e caras y sellos.
b ) Mostrar que la probabilidad calculada en a ) es una función decreciente
de n.
3.37. Cada una dea ls urna 1, urna 2,. . . , urna n contiene cy esferas blancas
y P esferas negras. Se pasa una esfera de la urna 1 a la urna 2 y luego se pasa
una dela urna 2 a la urna 3, etc. Finalmente, se escoge una esfera de la urna
n. Si la primera esfera que se pasó era blanca, Ccuál es la probabilidad de que
la última esfera elegida sea blanca? ¿Qué sucede cuando n “+ cm? [Szrgerencia:
Sea p n = Prob (n-Csima esfera pasada sea blanca) y expresar p n en términos de
~n-1.1
S = {CC,cs, sc,
SS}
FIGURA
4.1
4.1 Nocidn general dd? una variable aleatoria 71
Así como nos interesamos por los eventos asociados con el espacio
muestral S, también serA necesario tratar eventos respectoa la variable
aleatoria X, esto es, subconjunto del recorrido R,. Muy a menudo
ciertoseventosasociadoscon S están“relacionados” (cn un sentido
que luego describiremos) con eventos asociados con R, d e la manera
siguiente.
A = {S E S I X(S) E B } .
FIGURA
4.2
que dan origen a una fuente de tormenta, ilustran este punto. Cuando intro-
ducimos una variable aleatoria X y su recorrido asociado Rx,inducimos proba-
bilidades sobre los eventos asociados con Rx que se determinan estrictamente
ls posibilidades asociadas con loseventos en S están especificadas.
sia
i
a *
76 Variables aleatorius unidimensionales 4.2
?Cuáles son los valores posibles d e A'? Supondremos que estos valores
constan de todos los enteros no negativos. Esto es, R, = {O, 1 , 2 , . . . ,
n , . . .}. Una objeción que vimos anteriormente puede aparecer de nue-
vo en este punto. Podría argüirse que durante un intervalo de tiempo
especificado (finito) es imposible observar más de,por ejemplo, N par-
tículas donde N puede ser un entero positivo muy grande. Por tanto,
los valores posibles de X realmente serían: O, 1 , 2 , . . . ,N . No obstante,
resulta que matemáticamente es más sencillo considerar la descripción
idealizada antes dada. De hecho, cada vez que suponemos quelos valo-
res posibles de una variable aleatoria X son infinitos numerables esta-
mos considerando una representación idealizada deX.
u) p ( q ) 2 O para toda i,
i
(4.3)
00
i= 1
FIGURA4.3
F I G U R 4A. 4 FIGURA
4.5
+
Observaciones: Aquí empleamos el resultado de quela sene geom’trica 1 r +
r2+. . . converge a 1/( 1-r) siempre queIr1 < 1. Aeste resultadonos referiremos
varias veces. Supóngase que queremoscalcular P ( A ) ,donde A se define como
{El experimento termina despuésde un número par repeticiones}.
de Usando
la ecuaci6n (4.4), tenemos
I
a
3
P(A) = p(2n) = -
3
25616
+ 3
-- + ..
n=l
- 3 1 - -. 1
- “
-
161--L16 5
,”
EJEMPLO 4.7. Supóngase que los artículos que salen de una línea d e
p - o d u c c i h se clasifican como defectuosos ( D ) o no defectuosos ( N ) y
que se eligen al azar tres artículosde la producción de undía, los cuales
se clasificande acuerdocon este esquema. El espacio muestral para este
csperimento, digamos S, puede describirse así:
X = O si y sólo si ocurre N N N ;
X = 1 si y sólo si ocurre D N N , N D No N N D ;
A’ = 2 si y sólo si ocurre D D N , D N Do N D D ;
X = 3 si y sólo si ocurre DDD.
p ( 0 ) = P ( X = O) = ( 0 . q 3 , p(1) = P ( X = 1) = 3(0.2)(0.8)2,
Demostración: Consideremosunelementoparticulardelespacio
muestral E que satisfaga la condición de que X = k . Tal resultado apa-
recería, por ejemplo,si las primeras k repeticiones de E resultasen en la
ocurrencia d e A, mientras que las últimas n - k repeticiones resultasen
en A', es decir:
AAA . A A C A C A C . A'.
.
M L I
k n-k
FIGURA4.6
EJEMPLO4.9. Al poner en funcionamiento una mgquina, existe cier-
ta probabilidad de que el operario cometa un error. De manera realis-
ta puede suponerse que éste aprende en cuanto sabe que la probabi-
lidad de cometer errores disminuye cuando use la mgquina en repeti-
das ocasiones. Supongamos que el operario hace n intentos y que los
n ensayos son estadísticamente independient'es. Supongamos de ma-
nera específica que P(un error cometido en la i-ésima repetición) =
\
84 kriables
unidimensionales
aleatorias 4.3
+
l / ( i l ) ,i = 1 , 2 , . . . ,n. Supongamos que se consideran 4 intentos (es-
to es, n = 4) y que se define la variable aleatoria X como el número
d e operaciones hechas sin error en la máquina. Observemos que X no
está distribuida binomialmente porque la probabilidad d e “éxito” no es
constante.
Para calcular la probabilidad de X = 3, por ejemplo, procedemos
como sigue: X = 3 si y sólo si hay exactamente un intento no exitoso.
Esto puede suceder en el primero, segundo, tercero o cuarto ensayo.
Por lo tanto,
p(x = 3) = 1 2 3 4 + 1 1 3 4 + 1 2 1 4 + 1 2 3 1 - 5 .
2 3 4253 4253 4253 4 5 - 12
P ( X = k) = nz-(b-r)
k-r
r=máx ( 0 , k - n ~ )
P(X = 2) =
2
r=O
(1r0 ) ( 0 . 2 ) r ( 0 . 8 ) ' 0 - r (2 l-or )
)(0.1)2-r(0.9)8+r = 0.27,
Para mostrar que la suma anterior iguala (;) comphrense simplemente 10s
coeficientes de las potencias de'x en ambos lados de la identidad (1+ x)"' (1+
x p = (1+ 2 ) n l +%.
ll
sucede a las probabilidades puntuales
p ( x ; ) ? Puesto que los valores posibles
d e X no son contables, en realidad no o
podemos hablar
del
i-ésimo valor
de S FIGURA4.7
86 Variables aleatorius unidimensionales 4.4
a) f ( z ) 2 O para toda x,
$03
f(x)dx = 1. (4.7)
b, J _ ,
FIGURA
4.8
P(c 5 x 5 d), P(c 5 x < d), P(c < x 5 d), y P ( c < x < d).
f(.) =-
Ií
para toda x.
intervalo c 5 x 5 d .
1, O < x < l ,
O, paracualquier otro valor.
FIGURA
4.9 FIGURA
4.10
Claramente, f(x) - so
> O y S_'," f ( 2 )dx = 22 dx = 1. Para calcular
1
P(X 5 i), so
s610 debemos evaluar la integral 112 ( 2 2 ) d x = 1
(4.10)
;i
-I
-; ; ~
X
3
I 2 3 FIGURA4.11
F(2)= o si 2 < o ,
i
-- 13 si O < z < : l ,
- 12
- si 1sz<:2,
=1 si 2 2 2 ,
= l x 2 s d s = z2
=1 si 2>1.
FIGURA4.12
Las gráficas obtenidas en las figuras 4.1 1 y 4.12 para las fda (en cada
uno delos casos) son típicas en el siguiente sentido.
a ) Si S es una variable aleatoria discreta con un número finito d e
valores posibles, la gráfica d e la fda F se formará d e trazos horizontales
(sc llama hnción escalonada). La función F es continua excepto para
los valores posibles d e X, llamados “ 1 , . . . ,xn. En el valor xj la gráfica
tendrá un “salto” d c magnitud p ( r j ) = P ( X = xj).
6) Si S es una ftlnción aleatoria continua, F será una función conti-
nua para todaT .
c) La fda F está definida para todos los valores d e x, lo cual es una
razón importante para considerarla.
Hay dos propiedades fundamentales d e la fda que resumiremos en
cl teorema siguiente.
F(-m) = .”,S_”,
lírn f(S) ds = o,
F ( w ) = lím
X
+
, I-, f(s) ds = 1.
4.5 Función de distribución acumulativa 93
6) Sea X una variable aleatoria discrcta ccln valores posibles 21, x?,
. . . , y supongamos que es posible rotular esos valorcs de modo que
zl < x2 < . . . Sea F la €da d e S . Entonces,
(4.12)
P
94 Variables aleatoriasunidimensionales
= lím
P(S 5 2 + h)- P ( S 5 2)
h+O+ h
P(z < S 5 2 + h)
F ' ( z ) = f(z)E
h
Es decir, f ( z ) es aproximadamente igual a la "cantidad d e probalilidad en
+
el intervalo ( 2 ,2 h ) por longitud h". De aquí el nombre defunción de densidad
de probabilidad.
F(x)= o, 2 5 o,
-X
=1-e , z>O.
f ( z ) = e-", x 2 O,
=O para cualquier otro valor.
lidad positiva y tomar también todos los valores en algim intervalo, por
<
ejemplo, a z 5 b. La distribución d e probabilidades d e tales variables
aleatorias se obtendría al combinar las ideas consideradas anteriormente
para la descripción d e las variables aleatorias discretasy continuas como
sigue. A cada uno delos valores z; se le asigna un número p(x;) tal que
p ( z ; )2 O, pax-a toda i, y tal que Cy=,p(z;) = p < 1. Entonces definimos
b
una función f que satisface !(x) 2 O, J, f(z)alz = 1 - p . Para toda a , b ,
con -00 < a < c < $00,
Una variable aleatoria del tipo mixto pue8de aparecer como sigue.
Sup6ngasequeestamosprobandounequipo y X es el tiempode
fhcionamiento. En la mayoría de los problem.as describiríamosS como
una variable aleatoria continuacon valores pos'ibles x 2 O. Sin embargo,
hay algunos casos en los cuales hay una probabilidad positiva de queel
artículo no funcione del todo, es decir, falla a l tiempo S = O. En tal
caso desearíamos modificar nuestro modeloy asignar una probabilidad
positiva, por ejemplo p , a l resultado x' = O. Portanto,tendríamos
P(-Y = O) = p y P ( X > O) = 1 - p. Así, el número p describiría la
distribución d e ,X en O, mientras que la fdp f describiría la distribución
de valores de S > O (Fig. 4.13).
P ( X = O ) =p
FIGURA
4.13 FIGURA
4.14
96 Variables
unidimensiotrales
aleatorias 4.7
=O para
cualquier
otro
valor (4.13)
d-C
P(c 5 A- 5 d ) =
b-a
P(l 5 S 5 23 ) = +.
t i
= O si x<a,
I-Icmos señalado varias veces que en alguna etapa del desarrollo de nues-
tro modelo probabilístico deben asignarse algunas probabilidades a los
resultados sobre la base de alguna evidencia experimental (como es la
frecuencia relativa, por ejemplo) o algunas otras consideraciones, tales
\ !
98 Variubles aleatoriusunidimensionales
Lo quc aquí se dcstaca es que los diversos mCtodos para calcular pro-
babilidades que hemos derivado(y los que estudiaremos posteriormen-
te) són dc mucha importancia, puesto que con cllos podcmos calcular
las probabilidadcs asociadas con eventos más complicados, lo cual sería
dificil d e obtcncr con medios intuitivoso empíricos.
PROBLEMAS
4.1. Se sabe que al lanzar una moneda, a nlcnudo sale cara tres veces m,is
que scllo. Esta moneda se lanza tres veces. Sea ,Y el número de caras que
aparccen, estííblccer l a distribución de probabilidades de X , así como l a fda.
IIacer u n a gr5Gca de ambas.
4.2. De u n lote que contiene 25 articulos, 5 de los cualcs son dcfectuosos, se
eligen 4 al azar. Sea S el número dc artículos defectuosos encontrados, obtcner
la distribución d e probabilidades de S si
a) los artículos se escogen con sustitución,
b ) los artículos se escogen sin sustitución.
Problemas 99
,I' ~'
i) p n ( k + 1) > p , ( k ) si k < n p - (1 - P ) ,
100 Mriablesaleatorias unidimensionales
ii) PrL(k+ 1) = p n ( k ) si k = n p - (1 - p ) ,
izi) p n ( k + 1) < p , ( k ) si k > n p - (1 - p ) .
c) Demostrar que si n p - (1 - p ) es un entero, p,(k) toma su valor máximo
para dos valores de k , llamados ko = n p - (1 - p ) y kb = n p - (1 - p ) 1. +
d ) Demostrar que si np - (1 - p ) no es un entero, entonces p , ( k ) toma su
valor máximo cuando k es igual al entero m& pequeño mayor que Lo.
e ) Demostrar que si n p - ( 1 - p ) < O, P, ( O ) > Pn (1) > . . . > P, ( n ) ,mientras
que si n p - (1 - p ) = O, P,(O) = P n ( l ) > P n ( 2 ) > . . . > P,(n).
4.9. La variable alcatoriacontinua X tienefdp f ( ~ )= 1 / 2 , O 5 I 5 2.
Se hacen dos determinaciones independientes d e X. ¿Cu5l es la probabilidad
de que ambas determinaciones sean mayores q u e l ? Sise han hecho tres
dcLerminaciones independientes, ¿cuál es la probabilidad d e que exactamente
dos sean mayores que 1 ?
4.10. Sea S la duración de un tuboelectr6nico y supongamos que X
se puede representa- como una variable aleatoria continua con fdp f ( ~ )=
be-bx, 2 2 O. Sea p i = P ( j 5 X 5 j + 1). Demostrar que p j es d e la forma
(1 - a ) a j y determinar a.
) 3 x 2 , -1 5 I 5 O.
4.1 1 . La variable aleatoria continua X tiene la fdp f ( ~ =
Si 6 es un nillnero que satisface -1 < b < O, calcular P ( X > b I X < b / 2 ) .
4.12. Supóngase que f y g son fdp en el mismo intervalo, a 5 I 5 b.
a)Demostrar que f + g no es una fdp en ese
intervalo.
b) Demostrar que para todo número p, O < /?< 1, , B ~ ( I ) + (1 - P ) g ( z ) es
una fdp enese intervalo.
4.13. Suponer que la gráfica de la
figura 4.1G representa la fdp de una
variable aleatoria X .
a) ¿Cuál es la relación entre a y b?
6) Si a > O y b > O, ¿quépuede
decir acercadel mayor valor que puede X
tomar b? (Véase Fig. 4.16.) x= - a
FIGURA
4.16
4.14. El porcentaje d e alcohol (1OOX) en cierto compuesto se puede con-
siderar como una variable aleatoria, donde X , O < X < 1, tiene la siguiente
fdp:
Problemas 10 1
f(x) = ax, o 5 x 5 1,
..
=a, 1<x52, \
Y
= -ax+3a, 25x53,
a) Determinar la constante a.
"
FIGURA5.1
106
de Funcioftes
aleatorias
variables 5.2
Obseruacwn: Otra vez es importante señalar que se usa una notación abre-
viada cuando escribimos expresionescomo { X >: 2) y {Y > 4 ~ ) . Por su-
puesto, nos estamos refiriendo a los valores d e X y a los valores d e Y , o sea,
{S I %S) > 21 Y {x I Y(.> > 4s).
Como hicimos en el capítulo 4 (Ec. 4.2), nuevamente haremos la
definición siguiente.
P ( C ) = P [{x E R, : H ( x ) E C } ]= P [{S ~i S : H ( X ( s ) )E C } ]
\
!
EJEMPLO5.2. Sea X una variable aleatoria continua con fdp
f ( z ) = e-x, z > o.
108 Funciones de variables aleatorias 5.3
+
Supóngase que B ( z ) = 22 1. Por tanto,
R, = {x I x > O}, mientras que R y = {y I y >
l}. Supóngase que el evento C está definido
como sigue: C = {Y 2 5). Ahora, y 2 5 si y
sólo si 2x+1 2 5, lo que asu vez da x 2 2. Por lo
tanto, C es equivalente a B = {X 2 2}. (Véase
la Fig. 5.3.) Ahora, P ( X 2 2) = J2m e-’& =
1/e2. Por lo tanto, aplicando la ecuación (5.2)
encontramos que
FIGURA5.3
P ( Y 2 5) = 1/e2
Y = 1 si X es par,
= -1 si X es impar.
P ( Y = 1 ) = 14 + T1 t ; + W1 + ' " J 1
Por lo tanto,
P ( Y = -1) = 1 - P ( Y = 1) = 3'
2
fd P
=O en otra parte.
Sea H ( x ) = 3 2 +
1. Portanto,para
encontrar la fdp deY = H ( X ) tenemos (Fig.
5.5)
Puesto que f(2) > O para O < x < 1, encontramos que g(y) > O para
1<y<4.
112
aleatorias
variables
Funciotzes de 5.4
G ( y ) = P ( Y 5 y) = P (x 5 Y 1 ’ > = F ( F ) ,
-
F ( x )= P(X 5 x).
por tanto ,
. ,
(T)
1 = P ( ~ )1. ?= 2 y - 1
G’(y) = F’(u).? .:,
y=l y=4
FIGURA
5.6
= 1 - (-1ny) 2 .
Por tanto, g(y) = G’(y) = -21n y/y. Puesto que f ( x ) > O para
O <x < 1, encontramosque g(;y) > O para 1/e < y < 1. (Nótese
que el signo algebraic0 para g(y) es correcto, puesto que In y < O para
I/e < y < 1.) Ida gráfica de g(y) se ilustra en la figura 5.8.
Variables aleatorias continzcas 113
t
Y
x= -In y
FIGURA5.7 FIGURA5.8
G(y) = P ( Y 5 y) = P ( X 2 -In( y)
= 1- P(X 5 -In y) = 1 -- F ( - I n y),
dG(y)
dG- du
donde u = - I n y.
dy '
"
dY
"
du
As í,
como antes.
Generalicemos ahora el planteamiento que sugieren los ejemplos
anteriores. El paso crucial en cada uno de los ejemplos se efectuó a l
sustituir el evento {Y 5 y} por el evento equivalente en términosd e l a
variable aleatoriaX. En los problemas anteriores esto fue relativamente
sencillo, puesto que en cada uno los de casos la función fue una función
d e X estrictamente creciente o estrictamente (decreciente.
114 Funcionesaleatorias
de variables 5.4
x. Por lo
En la figura 5.9, y es una función estrictamente creciente de
tanto, podemos resolver y = H(x) para x en términos d e y, digamos
x = I f - l ( y ) , donde H-' se llamafuncióninversa de H. A s í , si If
esestrictamentecreciente, { I I ( X ) 5 y) equivalea { X 5 ~ - ' ( y ) > ,
mientras que si H es estrictamente decreciente, { H ( X ) 5 y} equivale
a {S 2 ~ - ' ( y ) } .
Y
1
FIGURA
5.9
Teorema 5.1. Sea X una variable aleatoria continua con fdp f , donde
f(x) > O para a < x < b. Supóngase quey = H ( x ) sea una función
d e x estrictamente monótona (creciente o decreciente). S u p h g a s e
que esta función es derivable(y, por tanto, continua) para todax.
Entonces, la variable aleatoria Y definida como Y = B ( X ) tiene
una fdp g dada por
Así
Id x d xd F ( x )
G (y) = -- -
dxdy - f(4,.
b ) Supongamos que H es una función decreciente. Por lo tanto,
x=- 1 X=]
FIGURA
5.10 FIGURA
5.11
EJEMPLO5.9. Supongamos que
+ i)
A s í , g(y) = ( 1 / 2 f i ) ( i = 1/2fi, O < y < l.(Véase la Fig. 5.1 1.)
El método usado en el ejemplo anterior da el siguiente resultado
general.
Problemas 117
PROBLEMAS
5.1. Supóngase que X est5distribuidauniformemente en(-1,l). Sea
Y = 4 - X 2 . Encontrar la fdp de Y , sea g(y), y dlibujarla. También verificar
~ que g(y) es una fdp.
5.2. Supóngase que X está distribuida uniformemente en (1,3). Obtener las
fdp d e las siguientes variables aleatorias: .i
a) Y=3X+4 b)Z=e"
Verificar en cada uno delos casosque la función obtenida es una fdp ydibujarla.
5.3. Supóngase que la variable aleatoria continlia S tiene fdp f(x) = e - x ,
x > O. Encontrar las fdp de las siguientes variables aleatorias:
a) Y =X3 6) 2 = 3 / ( X + 1)2.
5.4. Supóngase que la variable aleatoria discreta X toma los valores 1,2
y 3 con igual probabilidad. Encontrar la distribución d e probabilidades d e
Y=2X+3.
5.5. Supóngase que X está distribuida Uniformementeen el intervalo (0,l).
Encontrar la fdp d e las siguientes variables aleatorias:
U) Y = X2+ 1 6) 2 = 1/(X + 1).
en (- 1 , l ) . Encontrar
5.6. Supóngase que X está distribuida uniforme mente
la fdp d e las siguientes variables aleatorias:
a) Y = sen(~/2)X 6) 2 = c o s ( ~ / 2 ) X c) IY =I X I.
/
5.7. Supóngase que el radio d e una esferzes unavariable aleatoria continua.
(Debido ala imprecisión en el proceso de fabricación, los radios d e las diversas
esferas pueden ser diferentes.) Supóngase que el radio R tiene fdp f ( r ) =
6r(l - r ) , O < r < 1. Encontrar la fdp del volumen V y del área superficial S
d e la esfera.
5.8. Una corriente eléctrica I que fluctúa se puede considerar como una
variable aleatoria distribuida uniformemente en todo el intervalo (9, 11.). Si
118 Funciottes de variables aleatorias
f ( v ) = a v 2 e -hv2 , v > O,
f ( t ) = 200t-2, 40 5 t 5 50,
=0 para cualquier otro valor.
5.13. Supóngase que P(X 5 0.29) = 0.75, donde X es una variable aleatoria
continua con alguna distribución definida en (0,111.
Si Y = 1 - X,determinar
12, d e modo que P(Y 5 k ) = 0.25.
I
En nuestro estudio delas variables aleatorias hemos considerado, hasta
aquí, sólo el casounidimensional. Es decir, el r'esultadodel experimento
se podía registrar como un solo número 2 .
En muchoscasos, sin embargo, nos interesa observar sinlultáneamen-
te doso mAs características numéricas. Por ejemplo,la dureza I1 y la re-
sistencia a la tensión T de unapieza manufacturada de acero pueden ser
de interésy consideraríamos ( h ,t ) como un solo resultado experimental.
Podríamos estudiarla altura A y el pesoP de ulna persona determinada,
que daría lugar al resultado ( p , u ) . Finalmente, podríamos observar la
cantidad de lluvia total, L L , y el promedio de temperatura,T , en cierta
región durante unmes específico, que daría lugaral resultado (II, t ) .
Haremos la siguiente definición formal.
FIGURA6.1
(.i,Yj) E B. y
si ( X ,Y)es continua.
artículo.Sup6ngaseque la capacidad(encualquierdíadado) es d e 5 1
artículos para la línea I y d e 3 artículos para la1 línea 11, y que el número
verdadero de artículos producidos por cada una de las líneas es una
variable aleatoria. Sea (X, Y ) la representacitjn de la variable aleatoria
bidimensional que da el número deartículos producidos por la línea I
y por la línea 11, respectivamente.
TABLA
6.1
O 1 2
encontramos que
126 Variables
aleatorias
bidimensionales y de
mayor
dimenswn 6.1
X = 5000 X = 10,000
FIGURA6.3
J_,
$03
J_,
+m
f ( z , y ) dx dy = J;,,,Lo,,
9000 10000
f(z,y) da: dy = c[5000]
2
P ( B )= 1- JgooO JY dx dy
(5000)'
~
5000 5000
17
=I-- [y - 500OIdy = -*
(5000)' /gOOO
5000 25 i
I
Obsemación: En el ejemplo anterior, X y Y obviamente deben ser nilmeros
enteros, pues ¡nopodemos ordenar un número fraccionario de bombillas!
Sin embargo, nuevamente tratamos con una situaci6n idealizada en la cual
permitimos que X tome todos los valores entre 5000 y 10 O00 (inclusive).
i
EJEMPLO6.3. Supóngaseque la variablealeatoriabidimensional
continua ( X ,Y ) tiene una fdp conjunta dada por
f(X,Y) = + xy
"7 O < X < l , o<y<a,
f ( z , y ) dx dy = J"
O 0
(x' + y ) dx dy
+
Sea B = { X Y 2 l}. (Véase la Fig.6.4.) Calcularemos P ( B ) al evaluar
1 - P(BC), +
donde BC = { X Y < 1). Por lo tanto,
128 kriables aleatorias bidimensionales y de mayor dimenswn 6.2
P ( B ) = 1- 1' (x2 + y ) dy dx Y
t
L.
- 1 - ' i z7- m
- - *65
y=l-x
N estudiar variablcs aleatorias unidimen-
sionales encontramos que F , la función d e
distribución acumulativa, tenía un papel im-
"
TABLA
6.2
3 4 5 Suma
O o 0.01
1 0.01 0.02
2 0.01 0.03
3 0.01 0.02 0.04 0.24
I I I I
1
c
Suma 0.03 0.08 0.16 0.21 0.24 0.28 1.o0
1 P ( x ~~j>1.
j=l
rd
(Las unidades se han ajustado para usar valores entre O y 1.) La fdp
marginal d e X está dada por
1 .Y
f(z,y) = area(n)Y (X,Y) E R.
Encontramos que
área ( R ) =
1' (x - x 2 )dx = 61 .
FIGURA
6.5
+m
h(y) = J'"
-m
f(z, y) d z = 1," 6 da:
132 Variables
aleatorias
bidimensionales y mayor
de dimenswtt 6.2
P ( X = 2,Y = 2) - 0.05
P(X=2lY=2)= - - = 0.20.
P ( Y = 2) 0.25
q x ; 1 yj) = P ( X = x ; I Y = yj)
q(yj I x ; ) = P ( Y = Yj I X = x ; )
Un cálculo análogo se puede hacer para h(y I x). Por tanto,las ecuaciones (6.7)
y (6.8) dejnen las fdp e n R, y R,, respectivamente.
b) Una interpretación intuitiva d e g(x I y) se obtiene si consideramos que la
superficie representada por la fdp conjuntaf es cortada, digamos, por el plano
y = c. La intersección del plano con la superficie z I= f ( x , y) resultará en una
fdp unidimensional llamada la fdp d e X para Y = (c. Ésta ser5 precisamente
g(x I c ) .
c) Supongamos que ( X ,Y ) representan la altura y el peso de unapersona,
respectivamen$e. Sea f la fdp conjunta d e ( X ,Y ) y slea g la fdp marginal d e X
(sin tomar e n cuenta Y). Por tanto, J’, g(x) d x representaría la probabilidad
delevento (5.8 5 X 5 6 ) sin tomarencuentael peso Y . Porsuparte
J$g(x I 150) d x seinterpretaríacomo P(5.8 5; X 5 6 I Y = 150).
Estrictamente hablando, esta probabilidad condicional no está definidaen los
términos d e nuestra convención previa conla probabilidad condicional, puesto
que P(Y = 150) = O. Sin embargo, sólo usamos la integralanteriorpara
definir esta probabilidad. Sobre u&base intuitiva, ciertamente, éste debe ser el
significado d e dicho número.
134 Variables
aleatorias
bidimensionales y de
mayor
dimenswn 6.3
g ( ~=
) l2 + y)
(X’ dy = 222 + 32
-2,
h(y) = /’
O
(X’ + y ) dx = Y + ?.1
Por tanto,
’ +
x 2 xy/3
+
= 1/3 y/6
x2 + xy/3
-
-
Gx’
-
2+Y
+
2xy
32’
’ O < X < l ,
+ xy -- 32 + y
OLyL2;
+ 2/3(x) + 22 6 2 + 2 ’
-
h(y I x) = 22’ GX’
o<y<2, O < X < l .
dx = -
2+Y
”
y = 1 para today.
por intuición que (X1 y Yl),o ( X 1 y Y2),o (X2 :y Yl),o (X; y Y2)son to-
das pares devariables aleatorias independientes. Las X dependen sólo
de las características de la fuente 1, mientras que las Y dependen delas
características d e la fuente 2 y posiblemente no hay razón para suponer
que una fuente influya de manera alguna en el comportamiento dela
otra. Cuando consideramos la posible independencia de X1 y X 2 , el
asunto no es tan claro. (El número de partículas emitidas durante la
segunda hora esta influido por el número emhido durante la primera
hora? Para responder a este interrogante tendríamos que obtener in-
formación adicional acerca del mecanismo d e emisi6n. ciertamente no
podríamos suponera priori que X 1 y X 2 son independientes.
Hagamos ahora mas precisa la anterior noci6n intuitiva de indepen-
dencia.
P(% Yj> = P ( 4 d Y j ) .
A s í , X y Y son variablesaleatoriasindependientes.(Paracomparar
véase también el Ej. 3.7.)
TARLA 6.3
f (x,Y> = e --(”+Y), x 2 o, y 2 o.
Puesto que podemos factorizar f(x,y) = e-”e-Y, se establece la inde-
pendencia deX y Y .
EJEMPLO6.12. Supóngase que f (x,y ) =
8zy, O 5 z 5 y 5 1. (El dominioestáda- y
do porla región sombl-eada en la figura 6.7.)
Aunque f ya está escrita en forma factoriza-
da, X y Y n o son independientes, puesto que
el dominio dedefinicicin
{(z,Y>I O I x I Y 5 1) J I *
x
es tal quc para una x dada, y puede tomar
sólo valores mayores que la z dada y meno-
res que 1. Por tanto, X y Y no son indepen- FIGURA
6.7
dientes.
6.4 Funciones de una
aleatoria
variable 137
de variables alea-
El resultado siguiente indica que nuestra delinición
torias independientes estáde acuerdo con nuestra definición previad e
eventos independientes.
"x
FIGURA6.8
;
EJEMPLO6.13. Supóngase que estamos al-
puntando a un blanco circular de radio unlo
quesehacolocado demodoquesucentr’o
está en el origen de unsistema de coordenadas
rectangulares (Fig. 6.9). Supcingase que las
coordenadas ( X )Y ) de los puntos de impactlo
están distribuidas uniformemente en el círculo.
Es decir, FIGURA
6.9
=O en otro punto.
i
Y
t
FIGURA
6.10 FIGURA
6.11
Sup6ngase que estamos interesados en la variable aleatoria R que re-
presenta la distancia delorigen.(Véase la Fig. 6.10.) Es decir, R =
d m . Encontramos la fdpde R, digamos g, comosigue:sea
= t a n - ’ ( Y / X ) . Por tanto, X = H I ( & a) y Y = H 2 ( R , a), donde
z = H l ( r , 4 ) = r c o s 4 y y = EI2(r, 4) = r s e n d . (Simplemente hemos
introducido coordenadas polares.)
El jacobiano es
J=
= r cos2 4 + r sen 2 4 = r.
142 Variables
aleatorias
bidimensionales y de
mayor
dimenswn 6.5
h(r)= 1
27r
g ( 4 , r )&5 = 2r, O 5 r 5 1.
2
= (. + 2)2' z 2 o.
[x(t&Jqt.), ..., x ( t , ) l ] .
Este tipodeproblemas se estudiaaun nivel más avanzado.(Una
referencia excelente para este tema es el libro Stochastic Processes por
Emanuel Parzen, San Francisco, Holden-Day, 1962.)
I
donde R es una región en el n-espacio, sería justificada. Si f representa la fdp
i
representa
PROBLEMAS
6.1. Sup6ngase que la tabla siguiente representa la distribuci6n de proba-
bilidades conjunta de la variable aleatoria discreta ( X , Y ) . Calcular todas las
distribuciones marginales y condicionales.
Problemas 149
f(2,y) = 2 2 + -,
XY o < 2 < 1, o < y <,a,
3
= O, en otra parte.
Calcular lo siguiente.
6.4. Supóngase que se sacan dos cartas a l azar de una baraja. Sea X el
número deases obtenidos y Y el número dereinas obtenidas.
a) Obtener la distribución d e probabilidades conjunta d e ( X ,Y ) .
6) Obtener la distribución marginal d e X y d e Y.
c) Obtener la distribución condicional d e X (dada Y )y d e Y (dada X).
x: g(z) = 2 - 1, 1 < 2 5 2,
-
- -x+3, 2<x<3,
= O, en otra parte.
Y : h ( y ) = $, 2 < y < 4 ,
=O en otra parte.
Encontrar la fdp del área d e la plancha, A = X Y
6.8. Representar con X la duración de undispositivo electrónico y suponer
que X es una variable aleatoria continua con fdp
f ( x ) = loo0
7 1 2 > 1000,
= O en otra parte.
.\OO
6.1 1. La fuerza magnética H en un punto P , a X
unidades d e u n alambre que transporta una corrien-
te I , estí5 dada por H = 2 Z / X . (Vease la Fig. 6.14.)
Supóngaseque P es unpunto variable. Es decir, X es
una variable aleatoria continua distribuida uniforme- p+"
//
-
'.
"""
+
Consideremos la relación determinista u2 by = O. Reconozcámosla
como una relación lineal entre z y y. Las constantes a y b sonparúmetros
d e esta relación en el sentido de que para cualquier elección particular
d e u y b obtenemos una función lineal especifica. En otros casos, uno
o mAs parámetros pueden caracterizar la relación que se considera.
+ +
Por ejemplo, si y = u z 2 bz c son necesarios tres parámetros. si
y = e - k x un parámetro es suficiente. No sólo una relación particular se
caracteriza por los parámetros sino, recíprocamente, por cierta relación
podemos definir varios parámetros pertinentes. Por ejemplo, si a y +
bz = O, entonces m = -b/a representa la pendiente de la recta, y si
+ +
y = a z 2 b z c, entonces - b / 2 u representa el valor para el cual existe
un mAximo relativo o un mínimo relativo.
En los modelos matem5ticos no deterministas o aleatorios que hemos
considerado, los parámetros también pueden usarse para señalar la dis-
tribuci6n d e probabilidades. Con cada distribución de probabilidades
podemos asociar ciertos parAmetrosque dan información valiosa acerca
. .
154 características
Otras
variables
las
nleatorias
de 7.1
1
=Pl-(l-p)
= 1 si O < Ipl < 1.
Así, el parPmet1-o p puede ser cualquier número quesatisfaga O< p < 1. '
Supongamos que se especifican una variable aleatoria y su distribu-
ción d e probabilidades. ¿Hay alguna manera d e establecer esta distri-
bución en función de unos cuantos parametros numéricos apropiados?
Antes de continuar con la preguntaanterior, motivemos nuestro
análisis considerando el siguiente ejemplo.
#‘
i=l i= 1
n
n!
$(X) = k p k (1 - j o y
k ! ( n- k ) !
k=O
n
P ( B = k) =
(3(0.05jk(0.95)"-k, k = O, 1 , . . . , 5 .
E ( X ) = S P ( B = O) + R P ( B = 1 O 2) + ( - L ) P ( B = 3 , 4 O 5)
= S(0.95)5 + R [5(0.05)(0.95)4 + 10(0.05)2(0.95)3]
J
$00
E ( X )= xf(.) dz.
"o0
es finita.
- -1
“
(x - 3000)’ 1500 5 Z 5 3000,
( 1500)2
Así,
160 Otras características de las variables aleatorias 7.1
[/ Lso0 1
J--00
1500 3000
-
- x dx - x(x - 3000) dx
(1500)( 1500) o
= 1500 minutos.
p(e1) = P [S : X ( s ) = 4 ,
7.2 Esperanza de una funcidn de una variable aleatoriu 161
podemos escribir
-
- 2
-.3
Por supuesto este resultado se habría podido obtener más fácilmente al aplicar
en forma directa la ecuaci6n (7.1.) Sin embargo, es bueno recordar que para
emplear la ecuaci6n (7.1.) necesitábamos conocer los valores si), lo que a
su vez significaba la necesidad de un cAlculo como el que se utiliz6 antes. Lo
importante es que unavez que se conocela distribuci6nde probabilidadessobre
R, [en este caso los valoresde los númerosp(xi)], plodemos suprimir la relación
funcional entre R, y S.
i=l
E ( Y ) = E ( H ( X ) )= H(zi)p(xj). (7.6)
j=1
E ( Y ) = E ( H ( X ) )= 1+o;)
-m
H ( x ) f ( z )dx (7.7)
o3 o3
Pero
Por
tanto, H ( z j ) ~ ( z j=
) CFl yjq(yj), lo que establece la
ecuación (7.6).
II
E ( W )= 1O
10
, 0.003v2f(v) dv
0 . 0 0 3 2~-
1
C€V
10
= 0.1 lb/pie2
164 características
Otras de las
variables
aleatorias 7.2
Por tanto,
E ( W )= 1
O
0.3
wg(w) d w = 0.1
ex
f ( ~=
) si x 5 0 ,
- e-'
- - si z
2
> O.
Sea Y = 1x1.Para obtener E(Y) debemos proceder de una de las dos
maneras.
a) Usando el teorema 7.3, tenemos
7.2 Esperanza
de una funcidn de una variable
aleatoriu 165
f ( 4 = ;, 2 5 2 5 4,
=O para cualquier otro valor.
Supongamos que por cada una las deunidades; vendidas se obtiene una
utilidad d e $300, mientras que cada una de las unidades no vendidas
(durante un año determinado) produce una pérdida de $100, ya que
cada unidad no utilizada tendrá que desecharse. Consideremos que el
fabricante debe decidir pocos meses antes del comienzo de cada año
cuanto producirá,y que decide fabricar Y unidades (Y no es una variable
aleatoria; estA especificada por el fabricante). Sea 2 la utilidad por año
(en d6lares). Aquí 2 es desde luego una variable aleatoria, puesto que
es una función d e la variable aleatoria X . Específicamente, 2 = H ( X ) ,
donde
H ( X ) = 300 Y si X 2 Y,
= 300 X + (-lOO)(Y - X ) , si X < Y.
166 Otras características de las variables aleatorias 7.3
l -
t
E ( 2 )= J'"
-m
H ( x ) f ( x ) dx
-x
2 Y 4
FIGURA
7.2
Y =Y2 = 3 .Y5 = 4
FIGURA
7.3
p(z2) = P( z = Zi),
entonces,
tenemos
(7.10)
$1' i3
O 0 O 0
= i2 d i r3 dr = 3 .
E ( E )= J" e p ( e ) de =
O
1
F(4
Propiedad 7.1. Si X = C, donde C es
una constante, entonces E ( X ) = C.
Demostracidn: F(x) = I
-
x=c
I
FIGURA7.4
Demostración:
E ( C X )= 1, +m
Cxf(x) dx= C 1, +m
~f(x) d xC E ( X ) .
=
Demostración:
= E(2)+ E ( W ) .
170 caractertsticas
Otras variables
de las
aleaton'as 7.4
JqX1 + - . .+ Xn) = E ( X 1 ) + + E ( X n ) .
* * -
/ n \ n
\kl 1 i=l
Demostración:
Por tanto,
k
P(X,=k+l)=l-(l-p)
y luego,
E ( X 1 ) = 1 . (1 - p ) k + ( k + 1) [l - (1 - P I k ]
= k [1 - (1 - p ) ' " + k - 1] .
As i,
Por lo tanto,
E ( X ) = E ( q )+ * * + E(Yn).
Sin embargo,
M n,
si N 5 5,
= 6N + 2(15 - 5 N ) si N > 5,
2
=7N-N si N 5 5,
= 30 - 4N si N > 5.
N='3.5
FIGURA7.5
Por lo tanto el máximo ocurre para N = 3.5. (Véase la Fig. 7.5) Para
N = 3 o 4 tenemos E ( T ) = 12, el cual es el máximo obtenible, puesto
que N es u n entero.
V ( X )= E [ X - E ( X ) 1 2 . (7.12)
Teorema 7.5.
V ( X )= E ( X 2 ) - [ E ( X ) I 2 .
V ( X ) = E [ X - E(X')I2
= E { X 2- 2 X E ( X ) + [E(X)]2}
= E ( X 2 ) - 2E(X)E(X) +
[Recuérdese queE ( X ) es una constante.]
= E(X2)- [E(X)I2.
Por tanto,
FIGURA
7.6
Luego,
V ( X )= E ( X 2 )- ( E ( X ) ) ’ = 35.6 - 25 = 10.6,
,(a:) = 1 + 2, -1 i x 5 0,
=1-2, 05XL1.
+ J,’ x 2 ( l - a:) 1
da: = 6.
1
Por tanto, V ( X )= 6.
7.6 Propiedades
varianza
la
de de una variable
aleatoriu 1’79
Obsemacwn: Supóngase que una variable aleatoria continua tiene una fdp
que es simétricarespecto a x = O. Es decir, f( -x) I= f ( z ) para toda x. Entonces,
siempre que exista E ( X ) , E ( X ) = O, que es una consecuencia inmediata de la
definición de E ( X ) . Esto puede extenderse a un punto arbitrario de simetría
z = a, en tal caso, E ( X ) = a. (Véase el Prob. 7.33.)
Demostración:
+
V(X + C ) = E [(X C ) - E ( X + C)]2= E: [ ( X + C ) - E ( X ) - C]2
= E [ X - E ( X ) ] 2= V ( X ) .
V ( C X )= C 2 V ( X ) .
Demostracidn:
V ( C X )= E ( C X ) 2- ( E ( C X ) ) 2= C 2 E ( X 2 )- c2( E ( X ) ) 2
= c2[ E ( X 2 )- ( E ( X ) ) 2 ]= C % ( X ) .
V(X + Y )= V ( S j + V ( Y ) . (7.15)
Demostracicin:
V(X'1, + + X,,)
* * = I'(X,) + . . + V(X,). (7.16)
V ( X )= E [ ( X - 4 2 1 - [ E ( X )- al2. (7.17)
se
distribuida en unarecta) respectoa u n eje que p,asa por un punto arbitrario
minimiza si estepunto seescoge como el centro d e masa.
-1
una n dada. Dibujemos una gráfica como se muestra en la figura 7.7.
Resolviendo (d/dp)np(l - p ) = O encon-
tramos que el valor máximo para V(X) ocu- V(W
rre cuandop = f. El valor mínimo d e V ( X )
ocurre desde luego los en extremos del inter-
valo en p = O y p = 1. Esto es intuitivamente
comodebería ser. Recordandoque la varian- *
za es una medida d e la variación de la varia- P
p= 1 1
ble aleatoria X definida como el númerod e
veces queocurre el evento A en n repeticio- FIGURA7.7
182 Otras características de las variables aleatorias 7.7
1 b3 - a 3
E(x“) = J b 22”- dx =
a b-a 3(b - U )
Por tanto,
( b - a)’
V ( X )= E ( X 2 )- [ E ( X ) I 2=
12
después de un cBlculo sencillo.
(7.1s)
[
V ( Y )N H ’ ( p ) ] a 2 . (7.19)
(Para hacer útiles las aproximaciones anteriores, necesitamos evi-
dentemente que H sea a lo menos diferenciable dos veces para
x = p.)
V ( Y )N [H‘(p)I2a 2 .
f ( t ) = 3000t-*, t 2 10,
=O para cualquier otro valor.
184 Otras características de las variables aleatorias 7.7
Luego,
V ( T )= E ( T 2 )- (15)'
l r ( 1 - 0.005t)'."t-* dt
Luego,
De modo semejante,
Por lo tanto,
0.000012
II"(15) = = o+.
(0.925)0.8
7.7 Expresiones
aproximadas
para la esperanza y la varknza 185
A s í tenemos
+
E [ h l ]N E ( I ) E ( R ) , V [ M ]21 [E(R)I2V ( I ) [ E ( I ) I 2V ( R ) .
(7.20)
1 2
P [ \ X- CI < e ] 2 1 - -E2E ( X - c) . (7.20a)
b ) Al elegir c = /I obtenemos
7.8 DesigualdaddeChebyshev 187
(7.20b)
Consideremos
P [ ] X - CI 2 E ] = Jz:1z-c12&
,fW dx *
donde
n = {x : 12 - c( 2 E}.
lo que es igual a
1
T E [ X - C ]2
E
,
como queríamos demostrar.
188 características
Otras
variables
las
aleatorias
de 7.9
= 1- P [$ < X < $1 d3
= 1 - - = 0.134.
2
(7.22)
Teorema 7.9.
190 Otras características de las variables aleatorias 7.9
Demostración: Consideremos
+
E { [ X - E ( S ) ][Y - E ( Y ) ] }= E [ X Y - X E ( Y ) - Y E ( X ) E ( X ) E ( Y ) ]
= E ( X Y ) - E ( X ) E ( Y )- E(E’)E(X) +E(X)E(Y)
= E ( X Y )- E ( X ) E ( Y ) .
E ( X Y )= E(X)E(Y)
si X y Y son independientes.
FIGURA7.8
q(t) = E [V -+ t T V 1 2 ,
donde V = X - E ( X ) y iV = Y - E(E'). Puesto que [V t l Y I 2 2 O, +
tenemos que q ( t ) 2 O para toda t. Desarrollando obtenemos
q(t) = +
E [V2 2tVW + t 2 TV 2] = E ( V 2 ) + 2 t E ( T f W )+ t 2 E ( W 2 ) .
A s í , q ( t ) es una expresi6n cuadrAtica en t . En general, si una expresión
+ +
cuadrática q ( t ) = at2 bt c tiene la propiedad de que q(t) 2 O para
toda t , significa que su gráfica corta el eje I! en un solo punto o en
ninguno, como se indica en la figura 7.8. Esto, a su vez, indica que su
discriminante b2 - 4ac debe ser 5 O, puesto que b2 - 4ac > O significaría
que q ( t ) tiene dos raíces reales distinta. Aplicando esta conclusidn a l a
función q ( t ) que consideramos anteriormente,, obtenemos
4 [E(VW)I2- 4 E ( V 2 ) E ( W 2 )5 o.
Esto implica que
y, por tanto,
{ E [X - E ( X ) ][Y - E ( Y ) ] } 2
:= p2 5 1.
V(X)V(Y>
192 Otras características de las variables aleatorias 7.9
Así, -1 5 p 5 1.
+
E ( X Y ) = E [ X ( A X + B ) ]= A E ( X 2 ) B E ( X ) .
Luego,
2 [ E ( X Y )- E ( X ) E ( Y ) ] 2
P =
V(X)V(Y>
-
-
{ A E ( X 2 )+ B E ( X ) - E ( X ) [ A E ( X ) +
V (X ) A2V(X )
7.9 El cotflciente de correlacwn 193
[ A E ( X 2 )+ B E ( X ) - A ( E ( X ) ) 2 - B E ( X ) ]
-
-
A2 (v(X>>2
-
{
- A2 E ( X 2 )- [ I T ( X ) ] ~ } ~
= 1.
A2 (V(X)I2
f(2,Y) = 2, (2,Y) E R,
FIGURA7.9
=O para cualquier otro valor.
g(z) = 1 1
(2) d y = 2(1 - x), O 5 3: 5 1;
h(y) = /
O
Y
(2) da: = 2y, O <_ y <_ 1.
194 Otras características de las variables aleatorias 7.10
Por tanto,
E(X)= $,
J,'z2(1 - z ) dz = E(>') =
J,'y2y dy = $;
E ( X Y ) - E ( X ) E ( Y )- 1
- -
P=
J\'(S)V(Y) 2
(7.23)
J-00
Teorema 7.15.
E-[E(X I Y ) ]=
“O0
1’”
”O0
E ( X 1 y)h(y) dy = J’” [/””
”M
-x f (27 Y) d r ] h ( y ) dy .
WY)
E [ E ( X I Y)]
= /'"
"O3
2 [ly f(x, y) dy] dx = iT x g ( x ) dx E ( X ) .
n : 10 11 12 13 14 15
E ( X ) = E(O.1ON) = O.lOE(N)
= 0.10[10(0.05) + ll(O.10) + 12(0.10) + 13(0.20) + 14(0.35) + 15(0.20)]
= 1.33.
T = 0.03Y si Y <X,
= 0.03X + O.Ol(Y - X) si Y > X. i
0.03yh d y + s ~ o ( O . O l y+ O.O2x)& dy
E ( T I x) = si 10 < x < 20,
0 . 0 3 y h dy si 20 < x < 30,
& [0.015x2 - 1.5 + 2 + 0.42 - 0 . 0 0 5 ~-~0 . 0 2 ~ ~ 1
si 10 < x < 20,
= { & si 20 < x < 30,
0.05 + 0.042 - 0 . 0 0 1 ~ si
~ 10 .< x < 20,
0.45 si 20 < x < 30.
Por tanto,
FIGURA
7.10
x= -1 x= 1
FIGURA
7.11
Por tanto,
7.1 1 Regresidn delpromedio 199
Luego,
De modo semejante
r +m
= o.
Y
t
FIGURA
7.12
/ y=2x
FIGURA7.13
Y ) unavariablealeatoriabidimensional
7.14
y
supongamos que
p”.
Problemas
E ( Y I x) = py + CY
ox
-pz). (7.27)
(7.2s)
+
Teorema 7.18. Si y = ax b es la aproximación mínima cuadrática
a E ( Y I x) y si E ( Y 1 x) es en realidad una función lineal d e x, es
decir,
PROBLEMAS
7.1. Encontrar el valor esperado delas siguientes variables aleatorias.
a) La variable aleatoria X definida en el problema4. l .
b ) La variabIe aleatoria X definida en el problema 4.2.
c ) L a variable aleatoria T definida en el problema 4.6.
d ) La variable aleatoria X definida en el problema4.18.
7.2. Demostrar que E ( X ) no existe parala variable aleatoria X definida en
el probpma4.25.
J
7.3. Lo siguienterepresenta la distribución d e probabilidades d e D , la
Calcular E ( D ) .
demanda diaria de cierto producto.
d: 1,2,3,4,5,
P ( D = d) : 0.1,0.1,0.3,0.3,0.2.
P ( D = d) = C 2 d / d ! , d = l.,2 , 3 , 4 .
a) Evaluar la constante C.
b ) Calcular la demanda esperada.
c) Suponer que un articulose vende por $5.00. Un fabricante produce
diariamente I< artículos. Cualquier artículo que no se venda al tkrmino del
día debe desecharse con una pkrdida d e $3.00. i) Encontrar la distribución
d e probabilidades d e la utilidad diaria, como una fimción d e K. ii) {Cuántos
artículos deberían fabricarse para maxinlizar la utilidad diaria esperada?
7.11. a) Con N = 50, p = 0.3, efectuar algunos cálculos para encontrar el
valor d e k que minimiza E ( X ) en el ejemplo 7.12
b ) Con los valores anteriores d e N y p y usando k = 5,10,25, determinar
para cada uno de los valores d e k si es preferibleel “examen del grupo”.
204 Otras características de las variables aleatorias
TABLA
7.1
00 ke-aak - 00
e -CY a k
Demostrución: E ( X )=
k=O k! - k=l (k - l)!.
00 -CY s+l
e a
E ( X )= = a.
S!
3=0
De modo semejante,
+ 1)
00 ,--CaY S S 1
e-"aS
00
a
S
2
E ( 2 )= =acsT+ac"s!=Q. +a
S!
s=o s=o s=o
8.2 Ladistribución dePoisson como unalaproximacwna la . . . 2 11
-
-
n ( n - l ) ( n - 2 ) - ( n - IC + 1)p k (1 -
b!
P(X = k ) =
n(n - 1 ) . . . ( n - IC + 1 ) ($
z]
k!
k
IC! [(I) ( 1 -
= 'y ); (1 - ); e - . (I, - ")I n [1-
n-k
=5
k
b! [ ( I ) ( 1 - ); (1 - ); * * * -)I
(11 - k - 1
x (l-;)n(l-;)-k.
e "(y CY k
lím P ( X = IC) = --
n+cc IC! '
la distribución d e Poisson con parámetro a.
P(X 2 2) = 1 - P ( X = O) - P ( X = 1)
= 1 - (0.9999)1000 - 1000(0.0001)(0.9999)ggg.
Por tanto,
e-np(np)k
P(X = k) N -.
IC!
Supóngase, por ejemplo, que un fabricante produce artículos de los
cuales alrededor de 1 en 1000 sondefectuo'sos.Estoes, p = 0.001.
Por tanto, usando l a distribución binomial, encontramos que en un lo-
te de 500 artículos la probabilidad de que ninguno sea defectuoso es
(0.999)500 = 0.609. Si aplicamos la aproximación d e Poisson, esta pro-
babilidad puede escribirsecomo = 0.61. La probabilidaddeen-
contrar 2 o más artículos defectuosos es,
de acuerdocon la aproximación
+
de Poisson, 1 - e-0.5(l 0.5) = 0.085.
2 16 La variable aleatoria de Poisson y otras variables aleatorias discretas 8.2
"(y k
P ( Z = IC) N
e a
donde (Y = -.X
100
~
b!
[ (
2 3
X X
+ .. .)]
X
100 1 -
100 2( 3!(100)3
2 3
X X
=x--
2( 100) + 6(100)2 - * * *
O
I I
t l+At
FIGURA8.1
b ) De las hipótesis A3 y A4 podemos concluir quc
c) Podernos escribir
220 La variable aleatoria de Poissort y otras variables aleatorias discretas 8.3
d ) Entonces tenemos
e ) Considerando p l l ( t + At) = P [ X i + n t = n ] .
Ahora X,+Ai = n si y sólo si X 1 = X ? J [ X ~ +-A X~ t ] = n - T,
Luego
apropiado. Resulta que hay nna gran cantidad de fenómenos para los cuales
es adecuadoel modelo de Poisson.
i ) Representemos por X't el número de llamadas telefónicas que llegan
a una central telefónica durante un periodo de tiempo de longitud t . Las
suposiciones anteriores se satisfacen aproximadamente, enespecial durante
el "periodo congestionado" del día. Luego, X't ticne una distribución de
Poisson.
ii) Representemos porX't el número deelectrones que salen del cfitodo de
un tubo al vacío. Nuevamente las suposiciones son apropiadas y, por tanto,
X t tiene una distribución de Poisson.
zii) El ejemplo siguiente (de astronomía)indica que el razonamiento an-
terior se puede aplicar no sólo al número deocurrencias de unevento du-
rante u n periodo d e tiempo fijo, sino también al número deocurrencias de
un evento dentro delos línlites fijados de unúrea o u n volu.me?z. Supcingase
que un astrónomo investiga una parte de la Vía Láctea y supóngase que
en la parte considerada la densidad de estrellas, llamémosla X, es constante
(Esto significa que en unvolumen de V (unidades cúbicas), se encontrarían,
en promedio, AV estrellas.) Sea X, igual al número de estrellas encontra-
das en una parte dela Vía Ljctea que tiene un volumen V . Si se satisfacen
las suposiciones anteriores (sustituyendo "volumen" por "tiempo", entonces
P [ X , = n] = (AV) n e - A " / n ! (Las suposiciones, interpretadas en este ejem-
plo, establecerían esencialmenteque el número deestrellas que aparecen en
partes no sobrepuestas del firmamento representavariables aleatorias intle-
pendientes yquela probabilidad d e que aparezca n& de unaestrclla en una
porción pequeña del cielo es cero.)
iv) Se nos ocurre otra aplicación en el campo biológico, si hacemos que
X A sea el número de células sanguíneas visibles en el microscopio, donde
el área de la superficie visible en el microscopio es dada por A unidades
cuadradas.
b ) L a constante X apareció originalmente como una constante de propor-
cionalidad en la hipótesis A3. Vale la pena mencionar las siguientes interpre-
taciones de X: si X t representa el número deocurrencias de un evento duran-
te un intervalo de tiempo d e longitud t , entonces, E ( X t ) = At y, por tanto,
X = [ E ( X t ) ] / trepresenta la ruzdn esperada con la cual se emiten las partícu-
las. Si X , representa el número deocurrencias d e algún evento dentro de un
volumen especificado V , entonces E ( X , ) = AV y, por lo tanto, X = [ E ( X , ) / V
representa la densidad esperada con la cual aparecen las estrellas.
c) Es importante seiíalar que nuestra exposición en la sección 8.3 no se
refirió sólo a una variable aleatoria X que posee una distribución d e Poisson,
sino que para cada t > O, encontramos que X t tenía una distribución de
Poisson con un parámetro dependiente de t . Tal colección (infinita) de variables
aleatorias también se conoce como proceso de Poisson. (De igual forma, se genera
8.3 El proceso de Poisson 223
E ( P ) = Ct - E ( X 2 + X ) .
Sea i = X - k . Entonces,
P(R2 = IC) =
k pfft
C O d k
;Q
CO
E(X)= kpqk-l = p
k=l k=l
E ( S )= l / p y V ( X ) =: q / p 2 .
Observación: El hecho de que E ( X ) sea el recíproco de p es interesante
intuitivamentc, puesto que dice que con valores pequeños de p = P ( A ) se
necesitan muchas repeticiones para que ocurra A,.
1
E ( C ) = 1300E(X) - 300 = 1300- - 300 = $6200.
O .2
k = O, 1 , 2 , . . .
k
P(Y k ) = (0.6) (0.4),
Luego,
4
P(Y .( 5) = C ( 0 . 6 ) ” ( 0 . 4 ) = 0.92.
k=O
Esto da
lo que equivale a
228 La variable aleatoria de Poisson y otras variables aleatorias discretas 8.5
P(Y = k ) = 1
obtenemos
8.6 Relacióft entre l a s distribuciones binomial y de Pascal 229
(- r ) ("In,
00
(1 - *)- =
n
n=O
que es igual a
Sean
1= nilmero de repeticiones necesarias hasta incluir
2 la primera
ocurrencia deA.
Z2= número de repeticiones necesarias entre la primera ocu-
rrencia d e A hasta incluir l a segunda ocurrencia de'4.
a ) P ( Y 5 n) = P ( X 2r),
6) P(Y > n.) = P ( X < r).
k=O
(~ ) ( 0 . 2 ) k ( 0 . 8 ) 1 0 -=k 0.678
(de la tabla del Apéndice).
6) Comparemos en forma brevel a s distribuciones binomial y de Pascal. En
cada uno de los casos, nos interesan los ensayos repetidos de Bernoulli. La
distribución binomial aparece cuando consideramos un número fijo (digamos
n ) d e tales ensayos yestamos interesados en el número deéxitos que ocurren.
La distribución de Pascal se encuentra cuando prefijamos el número de éxi-
tos que debemos obtener y luego anotamosel número deensayos d e Bernoulli
necesarios Esto cs particularmente litil para el problema estadistico que pre-
sentaremos con mayor detalle más adelante (Véase el Ej. 14.1).
8.7 La distribución hipergeométrica 23 1
Obseroacwn: Puesto que (z) = O cada vez que b > a , si a y b son enteros
no negativos podemosdefinir las probabilidades anteriores para toda k =
O, 1 , 2 , . . . Obviamente no podemos obtener más que r defectuosos, pero la
probabilidad cero será asignada en ese evento segúnla ecuación (8.9).
a) E ( X )= np;
c ) P ( X = IC) p” (;) p k ( l- p ,
Para N g r a n d e .
$) (1 &).
N-rN-r-1
P ( X = O) = -
N N-1 = (1 - -
.,
De l a distribución binomial obtenemosP ( X = O) = q2 . Debe observarse
q u e (1 - r / N ) = (1,mientras q11e [I - Y/( N - I)] es casi igual a q.
8.8 La distribucidn
multinomial 233
donde n.; = n.
n!
n l ! .f . nl,!
Tenemos
10!
(0.25)5(0.G5)3(0.1)2
5!3!2!
PROBLEMAS
8. l.Si ,X Licnc u n a distribuci6n de Poisson con parhrnetro p y si P ( X = O) =
0.2, calcular P ( S > 2).
Problemas 235
P ( S = 2) = $P(X= l ) ,
calcular P ( X = O) y P ( S = 3).
8.7. Un proveedor d e películas produce al aiio 10 rollos d e película espe-
cialmente sensible. La película debe descartarse si no se vende dentro del año.
Experiencias anteriores indican que D , la demanda (pequeña) para la pelícu-
la es una variable aleatoria con distribuciónd e Poisson con parámetro 8. Si se
obtiene unautilidad de $7 en cadarollo vcndido, mientras que ocurre una pér-
dida de$3 en cada rollo que debe ser descartado, calcular la utilidad esperada
que el fabricante puede obtenercon los 10 rollos que produce.
236 La variable aleatoria de Poisson y otras variables aleatorias discretas
8.8. Supóngase que una fuente radiactiva emite partículas y que el número
d e tales particulas emitidas durante el periodo de una hora tiene una distri-
bución d e Poisson con parámetro X. Se emplea un instrumento para contar
y anotar el nilmero d e las partículas emitidas. Si más d e 30 partículas llegan
durante cualquier periodo de una hora, el instrumento que anota es incapaz
d e controlar el exceso y simplemente anota 30. Si Y es la variable aleatoria
definida como el número particulas
de anotadas por el instrumento que cuenta,
obtener la distribución d e probabilidades d e Y .
8.9. Supóngase que una fuente radiactiva emite partículas y que el número
d e las que se emiten durante un periodo de una hora tiene unadistribución
de Poisson con parámetro X. Consideremos que el instrumento para contar
esas emisiones en ocasiones falla al anotar una partícula emitida. Supóngase
específicamente que cualquier particula emitida tiene una probabiliclad p de
ser anotada.
a ) Si Y está definida como el número de partículas anotadas, ?cuál es una
expresión para I s distribución d e probabilidades de Y ?
b ) Calcular P ( Y = O) si X = 4 y p = 0.9.
8.10. Suponer qne undepósito contiene 10O00 partículas. La probabilidad
de que una de esas partículas salga del depcisito es igual a 0.0004. ?Cuál es
la probabilidad d e que ocurran in& d e 5 salidas? (Puede suponerse que Ins
diversas salidas son independientesunas d e otras.)
8.1 1. Supóngase que unlibro d e 585 páginas contiene 43 errorestipogrrifi-
cos. Si esos errores están distribuidos aleatoriamente alo largo del libro, ¿cuál
es la probabilidad de que 10páginas seleccionadas al azar esténlibres de erro-
res? [Sugerencia: Suponer que X = número de errorespor página tiene una
distribución de Poisson.]
8.12. Una fuente radiactiva se observa durante 7 intervalos cada uno de 10
segundos d e duración y se cuenta el número de particulas emitidas durante
cada periodo. Suponer que el nilmero de partículas emitidas, digamos X , du-
rante cada periodo observado tiene una distribución d e Poisson con parámetro
5.0 (es decir, las partículas se emiten a razón de 0.5 partículas por segundo).
a ) ?Cuál es la probabilidad de que encada uno delos 7 intervalos d e tiempo,
se emitan 4 o más partículas?
b ) ?Cuál es la probabilidad d e que al menos en uno de los 7 intervalos d e
tiempo se emitan4 o más partículas?
8.13. S e ha encontmdo que el nirmero d e fallas de transistores en uncompu-
t d o r electrónico en cualquier periodo de una horase puede considerar como
una variable aleatoriaque tiene una distribuciónd e Poisson con paránletro O . 1
(es decir, en promedio hay una hlla de untransistor cada 10 hora..). Se inicia
cierto proceso que necesita 20 horas d e tiempo de cómputo.
Problemas 237
S = r cos C Y , t = r sen CY .
X=p
la unidad. Luego, E ( S ) = p .
A continuaci6n consideremos
+
Luego E ( . x ~ >= cr2 p 2 , por tanto, V(X> = E ( . Y ~ > - ( E ( s ) ) ~= 02 .
Así encontramos que los dos parúmetros p 2 y 02,que caructerizun la distribucidn
nornzul son la esperanzu y la van'anza de X, resllectivamente. Para decirlo
con otras palabras si sabemos que X est5 distribuido normalmente, sólo
9.3 Propiedades de i'a distribución
normal 243
FIGURA9.2
+
Demostrucidn: El hecho d e q u e E ( Y ) = up b y que V ( Y )= a 2 0 2
se deduce en forma inmediata de las propiedades de la esperanza y la
varianza expuestas en el capítulo 7. Para delmostrar que d e hecho Y
está distribuida normalmente, podemos aplicar el teorema 5.1, puesto
244 Algunas
variables
aleatorias
continuas
importantes 9.4
+
que u,A7 b es una función de S decreciente o creciente, dependiendo
dcl signo de a. Luego, si g es la fdp de Y , tenemos
(9.3)
x=s
La importancia particular de la
tabulación
anterior
debe
se hecho
al FIGURA9.3
de que si X tiene cualquier distribu-
ción normal N ( p ,a 2 ) ,la función tabulada ip puede usarse para evaluar
probabilidades asociadas con X .
Simplemente usamos el teorema 9.1 para. observar que si X tiene
distribución N ( p ,a ’ ) , entonces Y = ( X -- p ) / u tienedistribución
N(O,1). Por tanto,
= @ ( b )- i p ( - k ) .
246 Algunas variables aleatorius continuas importantes 9.4
Tambifn,
P(X 5 c) = P - (
x -2 3 <1)=Q(1
c-3 c-3
P('Y < O) = P
(X - 165 O - 165)
< ___ = @(-SS) N o.
3 3
T = C1 (dólares) si 10 5 S 5 12,
= - Cy2 si X < 10,
= - C3 si A' > 12.
Por tanto, la utilidad esperada (por tobera) puedeescribirse como
Luego,
9.6 Propiedades de la distribución exponencial 249
[Es fGcil para cl lector verificar que lo anterior da un valor máximo para
E ( T ).I
Observaciones: a ) Si C2 = C3, es decir, si un d i h e t r o X muy grande o muy
pequeño, es un defecto igualmente serio, entonces el valor p para el cual se
obtiene el valor m5ximo d e E ( T ) es p = 11. Si C2 > C3, cl valor d e /I es > 11,
mientras quesi C2 < C3, el valor de 11 es < 11. Cuando p ”+ +m,E ( T ) + 4 ’ 3 ,
mientras que si p 4 -00, E ( T ) + -Cz.
b ) Considérense los valores de los costos siguicntes: C1 = $10, C2 = $3 y
C3 = $2. Entonces, el valor d e p para el cual E ( T ) se maximiza es igual a
p = 11- h[E] = $11.04. Luego, el valor máximo obtenido por E ( T ) es igual
a $6.04 por tobera.
f(x) = ae
“(YX
, 2 >O
=O para cualquier otro valor.
(9.7)
(Véase la Fig. 9.4.) [Unaintegración
inmediata indica que
roo X
J, f(x) dz = 1
FIGURA
9.4
e
-02
, x 2 0 (9.8)
Por tanto,
Por tanto,
Luego,
-ff(l/a)
X
<i.
x=l/a
-1
= e
FIGURA9.5
EJEMPLO9.7. Supóngase que T , el tiempo para que falle un com-
ponente está distribuido exponencialmente. Luego f ( t ) = cxe-at. Si se
instalan n de tales componentes ¿cuAl es la probabilidad de quela mitad
o más d e ellas hncionen aún al término de t horas? La probabilidad
pedida es
9.6 distribución
la Propiedades
de exponencial 253
R = C2H - C 1 H - C 3 H si T >H
= C2T - C1T - C3H si T 5 H.
I1 = - (;)In [ c
2
c3
- c1
].
254 Algunas
variables
aleatorius
continuas importavttes 9.7
r(p)= /lxl
O
zP-le-' dx, definida
para p > O. (9.12)
e" X xp-2 dx
(9.15)
(Véase I
Le
buci6n gama de probabilidades.
Definición. Sea X unavaria-
ble
aleatoria
continuaque to- Ax)
ma sólo valores no negativos.
Decimos que X tiene una dis-
tm'buci6n de probabilidades gama
si su fdp está dada por r = 11
a
f(z) = - ( o z ) T - l e - " z , z >O
u9-1
-X
= O para cualquier
otro valor. FIGURA9.6
9.1fi
Por tanto.
= P ( Y = k),
6=0
F ( x )= 1- P ( X > x)
Lx
00 ur-l e -u
F(2)= 1- du, 2 > O.
(7'- l)!
9.9 La dis,tribucidn X-cuadrada 257
7-1
F(2)= 1 - e-ytz)k/k!, 2 > o. (9.17)
k=O
H ( 2 ) = P ( T 5 t ) = 1- P ( T > t)
= 1 - P(menos que r ocurrencias d e '4 acontecen en [ O , t ] )
= 1- P ( X < r)
=1-c T-l
k=O
e"t(cut)k
IC!
(9.19)
Una variable aleatoria Z que tiene fdp dada por la ecuación (9.19) se dice
que tiene una distribución ,y-cuadrudu con n grudos de libertad (se denota
con xi). En la figura 9.7 se muestra la fdp para n = 1 , 2 y n > 2. Una
consecuencia inmediata d e la ecuación (9.18) es que si 2 tiene fdp d e la
ecuación (9.19), tenemos
E ( 2 )= n, V(2)= 2 7 2 . (9.20)
FIGURA9.7
La distribución x-cuadrada tiene muchas aplicaciones importantes en
inferencia estadística, algunas d e las cuales citaremos posteriormcnte.
Debido a su relevancia, la distribución x-cuadrada está tabulada para
diversosvaloresdelparámetro n. (VéaseelApéndice.)Portanto
e n la tabla podemos encontrar qué valor, denotado con x i , satisface
P ( Z 5 x i ) = (Y, O < (Y < 1 (Fig. 9.8). El ejemplo 9.9 trata un caso
especial de una caracterización general d e la distribución x-cuadrada
que estudiaremos en un capítulo posterior.
9.9 La dish~bucwn X-cuadrada 259
FIGURA9.8
h(k) = "
m9 "E = "
m
2 1
a
(i -'I2
k) e- k / m , b>0.
2. Supóngase un proceso de
Poisson (véasela nota c) del ejemplo8.5.)
d ) Variablealeatoria: númerodeocurrenciasdeunevento A
durante un intervalo d e tiempofijo.
Distribución: d e Poisson
e ) Variable aleatoria: tiempo transcurri'do hasta la primera ocu-
rrencia d e A .
Distribución: exponencial
fl Variable aleatoria: tiempo transcurrido hasta la r-ésima ocu-
rrencia deA .
Distribución: gama.
Todas las variables aleatorias que hemos presentado han sido variables
aleatorias unidimensionales. Comolo mencionamos en el capítulo6, las
variables aleatorias d e mayor dimensión desempeñan un papel impor-
tante en la descripción de resultados experimentales. Una de las más
relevantes variables aleatorias bidimensionales, continuas, una generali-
zación directa d e la distribución normal unidimensional, se define como
sigue:
-00<~<0O,-0O<y<0O. (9.2 1)
I
f(x) = F (x) = O si x > 2,
1 exp (- 2
1 [T
r-2.2.]2)
-
- fi(O.1) si x 2 2
@( -2)
I
,
O
I 1
2 x
FIGURA9.9
puesto que
P(Y I 2) = P
(Y
2. ; ;
F -&@(-a>.
2 - 2.2
=
f(x) = O si x > T,
=K
-
6
1
0
exp ( 1 x-fl
si x 5 T. (9.22)
f(x) = O si x < y,
K = [l - * (y)] -1
'
f(x) = O si 2 < y,
= Cae-"x si x 2 y. (9.24)
P(X=i)=O sii>IC+l,
=CTe
xi -x sii=ID,l, ...,IC. (9.25)
2.
X i ) = 1 determinamos C y encontramos
De la condición C g o = , P (=
266 Algunas zrariables aleatorias continuas importatztes 9.12
Así,
encontramos que
Así, este modelo noes muy preciso, puesto que asigna una probabilidad
0.023 auneventoquesabemosque no puede ocurrir. Ensulugar,
podríamos considerar la variable aleatoria X anterior truncada a la
izquierda en X = O. Por tanto, supondremos que la fdp de la variable
aleatoria X está dada por
f ( r )= O si 3: 5 O,
P ( X = k) = ( X 1 - P)kPn-k k = 1,2,...,n.
P(sistema falla) ’
k n-k
P ( X = k) = ( X 1 - P ) P , k = 1,2,...,n.
1 - pn
e
-x Xk
P ( Y = k) -
k! e-x [I + X + (X2/2)1’ k = O, 1,2,
f(x) = O si x 2 T.
\
Problemas 269
Esto se transforma en
PROBLEMAS
9.1. Supóngase queX tiene una distribución N(2, O , 16). Usar la tabla de la
distribución normal para evaluarlas probabilidadles siguientes.
a) P ( X 2 2.3) b) P(1.8 5 X 5 2.1)
/
10.1 Introducción
(10.1)
j=1
(10.2)
(10.4)
(10.5)
Mx(T)= -e"(t-cr)
t-a
o
-
- t < a. (10.7)
a -t'
Sea (x - /&)/o
= S ; así x = as + p y dx = o ds. Por tanto,
280 La función generadora de momentos 10.4
(l0.S)
y obtenemos
(10.9)
(Se sabe que esta serie converge para todoslos valores d e x.) A$í,
Ahora,
Al’(t) = E ( X ) + t E ( X 2 )+ t 2 E2!( X 3 )+ * e . +
”t E ( P )+...
( n - I)!
M ” ( t ) = E(*?) + t E ( ? i 3 ) + . . + in-”(Sn)
*
( n - a)!
+...
y haciendo t = O, tenemos
M ” ( O ) = E(,Y‘).
Teorema 10.1.
Mg)(0)tn
Mx(t)= M x ( 0 ) + h_l;i(O)t+ . . . + n!
+ .. .
donde, pi = E ( X z ) ,i = 1 , 2 , . . . En particular,
V ( S )= E ( X 2 )- ( E ( s ) ) 2= M N ( O ) - ["(0)12
AI'(t) = n ( p e t + q)n-lpe t ,
M " ( 2 ) = n p [et(. - l ) ( p 2 + '1)n-2pet + (112 + q)'L-let] .
por tanto, E ( ~ Y=
) ~ ' ( 0=
) n p , que concuerda con nuestro resultado
anterior. También, E(4Y2)= AI"(0) = n p [ ( n- 1 ) p 11. Luego, +
Si nos restringimos a aquellos valores de t para los cuales O < qe‘ < 1
[esto cs, t < ln(l/q)], entonces podemos sumar la serie anterior como
una serie geométricay obtener
Por tanto,
Por tanto,
M y ( t ) = epfAf2y(cYt). (10.12)
+
En palabras, para enconxar la fgm d e Y = a x p calculamos la
fgm d e X en at (en vez d e t ) y multiplicamos por e Pt .
Demostrución:
Por tanto,
286 La función generadora de momentos 10.5
= e (BSnp)le(ao)'t?/2
Dernostrución:
tiene una distribución del mismo tipo que la d e los sumandos. Esta pro-
piedad se llamapropiedud reproductiva, y la estableceremos para diversas
distribuciones importantes con ayuda d e los teoremas 10.3 y 10.4.
+ +
Obsemacidn: El hecho d e que E ( Z ) = p 1 p2 y que V ( 2 )= u ; 6; pudo
haberse obtenido inmediatamente d e los resultado’santcriorcs relacionados con
las propiedades de la esperanza y la varianza. Pero para esmblccer que Z
esí3 otra vez distribuida normalmente fue necesario el uso d c la fgm. (€lay otro
planteamicnto para llegar a este resultado que mencionaremos en el capítulo
12.)
P[7.9 5 L 5 8.11 = P
[-
7.9 - 8
0.14
5--<-
0.14
L.- 8 8.1 - 8
- 0.14 1
= @(+0.714) - a(”0.714) = 0.52G,
1
Por lo tanto, M,(t) = e(cul+cra)(e-'I.Pero Csta es la fgm de unavariable
aleatoria con una distribuciónde Poisson que tiene parrimctro01 "2.+
Ahora podemos completar la demostración del teorcma con ayuda de
la inducción matemática.
= 1 - 0.1912 = 0.8088
+S i + +
independientes,cadaunacondistribución N ( O , l ) . Entonces,
S = X; X: tiene distribución x 2k .
EJEMPLO10.14. Supóngase que XI, . . . X n son variablesaleato-
riasindependientes,cadaunacondistribucibn N(0,l). Sea T =
d w . De nuestraexposiciónpreviasabemosque T 2 tiene
distribución x:&.
Para encontrar la fdp deT , llamada h,, proseguiremos como es usual:
H ( t ) = P ( T 5 t ) = P(T2 5 t2)
h ( t ) = II'(t)
290 La futrciótt generadora de momentos 10.5
,/m,
rior,tienelasiguiente interpretación
fííica: u = donde T es la tem- S,
peratura absoluta, M eslamasa de la S =d 2 / F
molécula y k se conoce como la constante
de Boltzmann.) FIGURA
10.2
Hemos expuesto algunas distribuciones que tiene la propiedad re-
productiva. Consideremos la distribución exponencial que, en sentido
estricto no posee la propiedad reproductiva, pero que,sin embargo, PO-
see una propiedad análoga.
Sean S;, con i = 1 , 2 , . . . ,T , T variables aleatorias independientes
con idéntica distribución exponencial con parametro a. Entonces, de
la ecuación (10.7) tenemos
M&) = ( . / ( a- t ) .
Luego, si Z = x'1 + - e - +
S T , tenemos 211z(t) = [ a / a- t]', que
Hemos visto que la fgm puede ser una herramienta muy poderosa para
estudiar diversos aspectos d e las distribuciones d e probabilidades. E n
particular, encontramos muy útil el uso de la fgm para estudiar sumas
d e variables aleatorias independientes e idhticamente distribuidas y
obtener diversas leyes reproductivas. Estudiaremos otra vez las sumas
de variables aleatorias independientes en el capítulo12, sin usar la fgm,
pero con métodos semejantes a los que empleamos cuando estudiamos
el producto y el cociente de variables aleatorias en el capítulo 6.
PROBLEMAS
f(z) = 2 2 , o I:2 5 1.
a) Dctcrminar I n fgm de A’.
h ) Usando la fgm, calcular E ( S ) y V ( 9 ) y verificar la respuesta. (Véase la
l p. 232.)
Observación dca
Problemas 293
f ( z >= A e - ’ ( z - a ) , x>a.
a) Encontrar la fgm d e X . .
b) Usando la fgm, encontrar E ( X ) y V ( X ) .
10.5. Encontrar la fgrn d e la variable aleatoria X del problema 6.7. Usando
la fgm, encontrar E ( X ) y V(X).
10.6. Supóngase quela variable aleatoria continua X tiene fdp
a) Obtener la fgm d e X .
b) Usando la fgm, encontrar E ( X ) y V ( X ) .
10.7. Usando la fgm, demostrar quesi X y Y slon variables aleatorias inde-
pendientes con distribucióniV(pz,C T ~y) N ( p y ,u , ” )respectivamente,
, entonces
+
2 = a X b Y está d e nuevo distribuida normalmente, donde a y b son constan-
tes.
10.8. Suponer quela fgm de unavariable aleatoria X es de la forma
10.18. Si la variable aleatoria X &ne una fgm dada por Mx(t)= 3/(3 - t ) ,
obtener la desviación estándar d e X .
10.19. Encontrar la fgm de una variable alleatoria que esti distribuida
uniformemente en(- 1,2).
10.20. Cierto proceso industrial produce un gran número d e cilindros d e
acero cuyas longitudes están distribuidas normalmente con promediod e 3.25
pulgadas y desviación estándar d e 0.05 pulgada. Si se eligen alazar dosd e tales
cilindros y se ponen extremo con extremo, ?cuál es la probabilidad d e que la
longitud combinada sea menorque 6.60 pulgadas?
R(1) = 1 - P ( T 5 t ) = 1 - F(1).
(11.1)
P ( t < T < t + A t-
)
P(tLTLt+AtJT>t)=
P(T > t )
+
donde t 5 $, 5 t At.
La última expresión (parauna At pequeiia y suponiendo que f es continua
en t por la derecha) es aproximadamente iguala A t Z ( t ) . Así, en un lenguaje
informal, A t Z ( t ) representa la proporción de a~rticulosque estar5 entre t y
t -+ A t , d e aquellos artículosque aúnfuncionan en el instante t :
De lo anterior observamos que f, la fdp d e T , determina unívocamente la
tasa d e falla 2. Indicaremos ahora que lo recíproco mmbién es válido: la tasa
d e falla Z determina unívocamentc la fdp f .
1m1
= - 1 n(s>
R’(s)
ds = - 111 R ( s ) (0
t
= - I n R ( t ) + I n R(0) = - I n B ( t ) ,
R ( t )= e - J”;
Z ( s ) ds
hs í.
d t
f(l)= F’(t) = - [l - q t ) ]= z(l)e-Jo Z ( 3 ) ( / S
dt
E ( T )= lo R(t) dt (11.3)
Denzostl-ación: Considcrar
Lo R(t) d l = im
[i” f(s) ds] dt .
11.2 La ley normal de falla 301
o en paralelo
=I-+-) t-P
La figura 11.2 muestra una curva general deconfiabilidad para una ley
normal de falla. Nótese que para obtener una confiabilidad alta(0.90 o
mayor), el tiempo de operación debe ser considerablemente menor que
p , la duración esperada.
0.99 = 1 - @ (-ib-)
100 - 1.1
.
Una de las leyes d e falla más relevantes es aquella cuyo tiempo para
que ocurra la falla se describe mediante la distribución exponencial.
Podemosdescribirla de varias maneras, pero probablemente la m&
sencilla es suponer que la tasa de fallas es constante, es decir Z ( t ) = a.
Una consecuencia inmediata d e esta suposición es, según Ia ecuación
(11.2), que la fdp asociadacon el tiempo para que ocurrala falla, T , está
dada por
f ( t ) = a e -at , t > O.
= aAt + qat).
donde //(At) llega a serdespreciablepara At pequeña. A s í para At sufi-
cientemente pequeña, la probabilidad anterior es directamente proporcional
a At.
Sin embargo, aquí debemos hacer una advertencia. Hay muchas si-
tuaciones que implican estudiosd e fallas para las cuales las suposiciones
básicas que conducen a una ley exponenciall no serán satisfechas. Por
ejemplo, si una pieza d e acero se expone a una tensión continua, eviden-
temente sufrirá un deterioro y, por tanto,se debe considerar un modelo
distinto al exponencial.
FIGURA11.3
E ( T )= l / a ; V ( T )= 1/cy2;
-0.012
0.90 = e
Luego t = -100 ln(0.90) = 10.54 horas. Por tanto, si los 100 componen-
tes funcionan durante 10.54 horas, aproxi:madamente 90 no fallarán
durante ese periodo.
c = 3 p2 .
Supóngase que se obtiene una utilidad deD dólares por cada hora que
el artículo está en servicio. Luego, la utilidad por artículo está dada por
P = D T - 3 p ,2
E(P)= D 1 O
00
tae-at d t -3p 2 e -afo
+ ( D + Ii‘) I
Jo
10
tae-at dt -(3p2 + I<to)(l - e-Oto).
Después de algunas integraciones inmediatats, lo anterior puede escri-
birse como
Hay una conexión muy cercana entre la ley exponencial d c falla descrita
en la sección anterior y un proceso d e Poisson. Supóngase que la Talla
ocurre debido a la aparición de ciertos accidentes “aleatorios”. &tos
pueden deberse a fuerzas externas tales como una repentina ráfaga de
viento o una caída ( o aumento) de voltaje o por causas internas tales
308 Aplicaciones
la a teoria
confiabilidad
la de 11.4
F ( t ) = 1 - P ( X t = O) = 1 - e "(Yt
L J
Z ( t ) = ((Yp)lp-'7 (11.4)
Se dice quela variable aleatoria con fdpdada porla ecuación (1 1.5) tiene
una distribucidn de Weibull. La figura 11.4 muestra la fdp para (Y = 1 y
p = 1 , 2 , 3 . La función d e confiabilidad R está dada por R ( t ) = e-(YtP
que es una función decreciente det .
3 10 Aplicaciones a la teoríu de la confiabilidad 11.5
t-
p= I
2 es constante Z cs creciente Z es decreciente
FIGURA
11.5
(11.6)
(11.7)
Por lo tanto, la fdp del tiempo para que ocurran las fallas del sistema,
llamémoslo T , es dado por
R ( t )= P ( T > t ) = 1- P ( T 5 t )
= 1 - P[T1 5 t y F: 5 t]
= 1 - P(T1 5 t)P(T2 5 t )
= 1 - {[l- P(T1 > t ) ][l - P ( q ? > t ) ] }
= 1 - 11 - R , ( t ) ] [ l- R&)]
= Rl(t) + Rz(t)- I’tl(t)&(t).
La última forma indica que R ( T ) 2 máximo [ R l ( t )R2(t)].
, Es decir, un
sistema integrado por dos componentes que: funcionan independiente-
mente en paralelo serámás confiable que cualquiera delos componen-
tes.
3 14 Aplicaciones a la teoria de la confiabilidad 11.6
"
Todas las ideasantespresentadasparadoscomponentespueden
FIGURA
11.6
R ( t ) = 1 - [l - +)In . (11.10)
E(T)= -
1
a1
+ 1
--
a2
1
"1 + a2
, I 1
I
)
t (horas)
FIGURA11.7
I I I
10 50 100 200 300 400
FIGURA
11.8
T = R/S.
PROBLEMAS
1 1.l . Supóngase que T , el tiempo para que ocurra la falla d e u n artículo,
está distribuida normalmente con E ( T ) = 90 horas y desviación estándar d e 5
Problemas 317
=C, t>A
11.7. Cada uno delos seis tubos de un equipo de radio tiene una duración
(en años)que puede considerarsecomo una variable aleatoria. Supóngase que
esos tubos filncionan independientemente uno d e otro. ¿CuA es la probabili-
dad de que ningtín tubo tenga que ser reemplazado durante los primeros dos
meses d e servicio si:
a ) La f¿ip del tiempo para que ocurra la falla es f ( t ) = 50te-25t2, t > O?
b ) La fdp del tiempo para que ocurrala falla es f ( t ) = 25te-25t, t > O?
11.8. Demostrar el teorema 11.4.
11.9. La duración de un satditees una variable aleatoria distribuida expo-
nencialmente conun tiempo d e duración esperadod e 1.5 años. Si tres satélites
se lanzan en forma simultánea, ¿cuál es la probabilidad d e que por lo menos
dos estén a6n enórbita después de 2 años?
FIGURA
11.9
Si T es el tiempo para que ocurra la fdla del sistema completo (en horas), ¿cuál
es la fdp de T ? ¿Cu# es la confiabilidad del sistema?, ¿Cómo se compara con
e- .Q3t;i
a ) C ( L , m )= ( L - m1 . b , ) C ( L , m )= 3 si L < m ,
c ) C ( L , m ) = 2 si L < m , = 5 ( L - m ) si L >_ m .
=5(L-m) si L >_ m.
(En cada uno delos casos dibuje una gráfica d e E ( C ) como función d e m.)
FIGURA
11.11
+ t
FIGURA 11.12
11.23. Cada vez que hemos considerado un\istema formado por diversos
componentes, hemos supuesto que los componentes fkncionan independien-
temente uno de otro. Esta suposición ha simplificado considerablemente nues-
tros cálculos. Sin embargo, esto puede no ser siempre unasuposición realista.
En muchos casos se sabe que el comportamiento de un componente puede
afectar el comportamiento d e los otros. Esto es, en general, un problema muy
dificil, y aquí sólo consideraremos u n caso especial. Supongamos específica-
mente que dos componentes,C, y C,, siempre fallan juntos. Es decir, C, falla
322 Aplicaciones a la teoríü de la confiabilidad
si y sólo si Falla C2. Demostrar que en este caso, P ( c 1 falle y (22 falle) = P(C1
falle) = P(C2 falle).
FIGURA
11.13
o, en forma equivalente,
(12.1)
cuando
(12.2)
( 1~0)(0.05)k(0.05)’00-”.
3
P(X < 4) =
k=O
(12.3)
1
TABLA12.1
E n! &e-nnnS(1/2) {Diferencia
0.078
Diferencia
n!
0.08
0.08 1 0.04
10 118.019 1.98 1 0.02
0.008
1O0 0.0008
q u e p está cercana a i.
Si p está cercana a O o 1, n debería ser algo
mayor para asegurar una buena aproximación.
TABLA
12.2
E ( X ) = n p = lOO(0.05) = 5,
V(X) = n p ( 1 - p ) = 4.75.
Entonces podemos escribir
0-5 <&5< 3-5)
P ( S 5 3) = P
Lm-m-m
-
- 95)
(
79.5 - 95 X' - 95100.5
= 2.18
<
- f!.18 -
"
2.18
IQ(2.52)
I - @(-7.1) 0.994.
Así,
334 Sumas de variables aleatorias 12.4
Por lo tanto,
Entonces, tenemos
FIGURA
12.1 FIGURA12.2
$
1 4 5
N O 3 1 3 5 2
P ( N = n ) 0.008 0.036 0.114 0.207 0.285 0.225 0.125
P(N=n)
%
S = (IT - 5 n ) & / 1 0 f i
tiene aproximadamente l a distribuci6n N(0,l).
Luego, si n = 20 podemos calcular la probabili-
dad de que el voltaje total de entrada sobrepase
105 volts, como sigue:
2~ 1 - (a(0.388) = 0.352.
FIGURA12.4
338 Sumas de variables aleatorias 12.5
P ( X 5 22) % P
22 + $ - 30
(12.6)
Usando la transformación:
z=x+y, w=x.
Lucgo, x = w, y = z El jacobiano
- 'uu7. de esta transformación es
J = / '1 -1'/=-l.
k ( z ; w ) = g ( w ) h ( z - w).
donde
i
FIGURA
12.5
Diferenciando S ( z ) respecto a z @ajo el signo integral,lo cual puede justificar-
se) obtenemos
+m
S
(
.
) = S’(.) = g(x)h(z - x) dx,
J-00
-
g * h = h * g. Véase la Observación a) anterior.
‘1
O t FIGURA12.6
EJEMPLO12.9. Se consideran dos instrumentos electrónicos, Dl y
D2. Supóngase que Dl tiene una duración ‘que se puede representar
con una variable aleatoria T I que tiene distribución exponencial con
parámetro a l , mientras queD2 tiene una duración quese puede repre-
sentar con una variable aleatoria T2 que tiene distribución exponencial
con parámetro “ 2 . Suponiendo que D1 y D 2 estzín conectadas d e tal
manera que D2 empieza a funcionar en el momento en queDl deja d e
hacerlo, entonces T = TI + T2 representa e l tiempo total en que está
funcionando el sistema formado porlos dos instrumentos. Suponiendo
que TI y T2 son independientes, podemos aplicar el resultado anterior
para obtener
iables de342 Sumas 12.6
I = I/a
FIGURA
12.8
12.6 La distribución
de IQ suma de un número. . . 343
Ésta representa una distribuci6n gama (véase la 13c. (9.16). La gráfica de esta
fdp aparece en la figura 12.8. El máximo ocurre para t = 1 / a = E(T1) =
E(T2).
Así obtenemos
(a:2 -.a:)=
Luego,
i
P ( Z = IC) = p ( k ) q ( i - IC)
k=O
PROBLEMAS
12.1. a ) Una f5brica produce determinados artículos d e tal manera que
el 2% resulta defectuoso. Un gran número de tales artículos, digamos R , se
inspecciona, y se anota la frecuencia relativa de los defectuosos, digamos fo.
¿Cuán grande debería sern a fin de quela probabilidad sea al menos 0.98 d e
quefodifiera de 0.02 en menos d e 0.05?
O) Contestar a ) si 0.02,la probabilidad d e obtener u 1 1 articulo defectuoso, se
sustituye por p que se supone desconocida.
12.2. Supóngnse que seobtieneunamuestra de tamaho n de un gran
conjunto d e pernos, ~ 1 3 % los
d e cuales es defectuoso. tCu,il es la probabilidad
de quecomo misilno el 5% de los pernos elegidos sea defectuoso si:
a) n = G? b ) n = GO? c) n = GOO?
Problemas 347
para eXt(At)k/k! (así como es más fácil obtener mediciones para el largo
de l a sombra S y el ángulo a, que para la altura h). Segundo, la manera
como obtenemos mediciones paraX y el modo como usamosesas medi-
ciones dc ninguna formainvalida ( o confirma) la aplicación del modelo
de Poisson.
Lo anterior es un ejemplo típico de una granclase de problemas. En
muchos casos es relativamente natural (y apropiado) formularla hipóte-
sis de que unavariable aleatoria X tiene una distribución particular de
probabilidades. Ya hemos visto varios ejemplos que indican que supo-
siciones muy simples acerca de la conducta probabilística d e X condu-
cirán a un tipo determinado de distribuciones tales como la binomial,
exponencial normal, de Poisson y otras. Cada una de esas distribucio-
nes depende de ciertos parámetros. En algunos casos, el valor de uno
o más parámetros puede ser conocido. (Tal conocimiento puede prove-
nir del estudio previo d e las variables alcatorias.) Muy a menudo, sin
embargo, no conocemosel valor d e los parámetros implicados. En tales
casos debemos proceder como se sugirió anteriormcntc y obtener algu-
nos valores empíricos de S y luego usar esos valores de alguna manera
apropiada. En el capítulo 14, veremos cómo se hace esto.
P(X’2 = j ) = 1 / N , j = 1 , 2 , . . . , N .
c) Tal como lo hicimos antes, usaremos letras nnayilsculas para las variables
aleatorias y letras minúsculas para el valor de la variable aleatoria. Así, los
354 Muestras y distribuciones
muestrales 13.3
\-alorcs que toma una muestra ( 2 1 , . . . ,x,) se denomr5n con (21,.. . ,x,). A
nlenudo llablarernos del finrulo mzuswal S I , . . . , X,. Con esto indicaremos
simplemente que consideramos a ( 2 1 , . . . ,x,) como las coordenadas de un
punto en uncspacio euclidiano n dimensional.
13.3 Estadísticos*
Una vez que hemos obtenidolos valores de una muestra aleatoria, habi-
tualmente queremos usaresos valores muestrales conel objeto de hacer
alguna inferencia respecto de la población representada porl a muestra
que, en el presente contexto, significa la distribución d e probabilidades
d e la variable aleatoria que se est5 muestreando. Puesto que los diver-
sos parámetros que caracterizan una distribución de probabilidades son
números, es natural que queramos calcular ciertas características nu-
méricas específicas que se obtienen de los valores muestrales,lo que nos
podría servir para hacer proposiciones apropiadas acerca d e los valo-
res d e los parámetros que a menudo no son conocidos. Definamos el
siguiente concepto importante.
*N. del T. El autor emplea la palabra stahtics, quc hemos traducido como
estadístico por ser lo mis comúnmente empleado en espaiol.
13.1 Algunos estadísticos importantes 355
1.3,-1,3. - 1.3,7.7,0.7
0.2,0.8,4.1.
Teorema 13.2. Sea X una variable aleatoria continua con fdpf y fda
F . Sea X I , . . . ,X n una muestra aleatoria de X y sean Ir' y A l el
mínimo y cl máximo dela muestra, respectivamente. Luego:
Por tanto,
100
= @ ( l-
) @(-0.5)
= 0.532,
1 - E'(10) = e -0.001(10) -
- ,-0.01 = 0.99005.
n n
- 2
i=l i=l
= [(X2 - p y
E=l
por lo tanto,
362 Muestras y distribuciones muestrales 13.4
tienedistribuciónx-cuadradaconungradodelibertad.(Véase el
Teorema 10.8.) La demostración para una TI general sigue una línea
semejante. Debemos demostrar que CF=l((s;- y l 2 / o 2se puede des-
componer enla suma de ( n - 1) cuadrados de variables alcatorias inde-
pendientes, cada una con distribuci6nN ( @ 1).
,
.>
es
g ( r ) = n(n - 1)
+m
r"f(sjf(s + ds *
Tenemos f ( s ) = f ( s +
r ) = 1 para le(r)
cualquier O 5 S 5 1 y O 5 S r 5 1, las +
que juntas implican que O 5 S 5 1 - T . Por
= n ( n - 1j f . n - 2 ( l - T ) , o 5 T _< 1. FIGURA13.2
Teorema 13.6. Sca una variallle alcatoria con fdp f y fda F . [Se
supone que f ( z ) = O, z 6 ( a , b).] Sea E“ a
A Y
l variablealcatoria
definida porY = F ( S ) . I,uego, Y está distribuida uniformemente
en [O, 11. (Y se dcsigna como t)-un.sformncidnintegml d e X.)
I F"(y) FIGURA13.3
dt
PROBLEMAS
13.l . Deducir la expresión para la fdp del mínimo de unamuestra. (Véase
el Teorema 13.2.)
13.2. Demostrar que si X I , . . . , X , son variables aleatorias independien-
tes, cada una de las cuales con distribución exponencial con parámetro a;,
i = 1 , 2 , . . . , n y si K = mín(X1,. . . , X,), entonces K tiene una distribución
+ +
exponencial con parámetro CUI . . . a,. (Véase el Teorema 13.3.)
13.3. Supóngase que X tiene una distribución geométrica con parámetro
p . Sea X I , . . . , X , una muestra aleatoria d e X y sea M = máx(X1,. . . ,X,) y
Ii' = mín(X1,. . . , X,). Encontrar la distribución d e probabilidades d e M y de
IC. [Indicacidn: P ( M = m ) = F ( m ) - F ( m - l), donde F es la fda d e M . ]
13.4. Se obtiene una muestra d e tamaño 5 de una variable aleatoria con
distribución N(12,4).
a) ¿Cuál es la probabilidad de que el promedio muestral exceda 13?
b ) ¿Cuál es la probabilidad de queel mínimo d e la muestra sea menor que
1O?
c) ?Cuál es la probabilidad de queel máximo de la muestra exceda 15?
13.5. La duración de un articulo (en horas) está distribuida exponencial-
menteconparámetro = 0.001. Se prueban seis artículos y se anotan los
tiempos en que ocurrenlas fallas.
Problemas 369
l n
s2- -y(& - r?)2
n-1
i= 1
y comparar con E(S’) = 9.
13.15 Tenga X unadistribución N(0,l). Slea X I , . . . ,X30 una muestra
aleatoria d e X obtenida usando la tabla 7. Calcular P ( X 2 2 0.10) y comparar
este valor con la frecuencia relativa de ese evento.
14.1 Introducción
FIGURA
14.1 FIGURA
14.2
Obseruaciones: u) La varianza de una variable aleatoria mide la varia-
bilidad de la variable aleatoria respecto a s u valor esperado. Por tanto,
es intuitivamcnte atractivo pedir que un estimado insesgado tenga una
varianza pequefia, pues si la varianza es pequeíía, entonces el valor d e
la variable aleatoria tiende a estar cerca d e s u promedio, lo cual, en el
caso de un estimado insesgado significa aproximarse a l valor verdade-
ro del pat-ámetro. Luego, si b1 y U2 son dos estimados de O, cuya fdp
está bosquejada en la figura 14.1, posiblemente preferiríamos U1 a 0 3 .
Ambos estimados son insesgados y I/(&) < V(U2).
En el caso de los estimados 0 3 y 6 4 , la decisión no es tan evidente
(Fig. 14.2) ya que U3 es insesgada,mientras que b4 no io es. Sin
embargo, I/(&) > V ( 8 4 ) . Esto significa que mientras en promedio U3
estar5 cercanaa U, su mayor varianza indicaque no serían sorprendentes
desviaciones considerablesd e B. Por otra parte, en promedio 64 tendería
a ser algo mayorque O y podría estar a ú n más cercana a U que 63, (\&m
la Fig. 14.2).
b ) Existentécnicas generales para encontrar estimados insesgados
d e varianzamínima. Sin embargo,nopodremospresentarlas aquí.
I-Iaremos uso d e este concepto principalmente con el objeto d e elegir
entre dos o más estimados insesgados disponibles. Es decir, si y 9 son
estimados insesgados de U, y si V(61) < I/(&), preferiríamos U .
l
lím Prob
n+cc [I^O O I > 1
- E =O para toda 6 >O
o equivalente, si
lím Prob
c
7L‘ [I-O O I 5 1
- E = 1 para toda E >O
Obseruacwnes: a ) Esta definición establece que un estimado es consistente
si, cuando aumenta el tamaiio R. de muestra el. estimado 0 converge en el
sentido probabilístico anterior a B. Nuevamente, ksta es una característica
intuitivamente atractivaque debeposeer un estimado, pues afirmaque cuando
aumenta el tamaño d e muestra (lo que significaría, en circunstanciasmuy
razonables, que se dispone d e m& información), el estimado llega a ser “mejor”
en el sentido indicado.
b ) Es relativamente fácil verificar si un estimado es insesgadoo no. También
es muy elemental comparar a ls varianzas de dos estimados insesgados. Sin
embargo, verificar la convergencia aplicando la definición anterior no es t m
sencillo. El teorema siguiente es muy útil algunas veces.
e
Teorema 14.1. Sea un estimado de O con base en una muestra de
tamaño n. Si límn+cc E(B)= U, y si V ( 0 ) = O, entonces U
es un estimado consistented e O.
E($) = E
(t)
-
1
= “(np) = p .
n
/2 = xn
i=l
a;&,
n
d= 1
a; = 1.
Luego,
i=l
puesto que las X ; son variables aleatorias independientes con varianza
común a2. Escribimos
V(n2)= n 2 V ( 2 )= n2 -
1 - --1
@PI2 - P2
14.3 ejemplos Algunos 38 1
l n
- -C ( X 2 - X ) 2 .
b2 -
"
n-l.
:=1
y Geiger, Phil. Mag. S6, 20, 698 (1910)l sobre la emisión de partículas
a por una fuente radiactiva. En la tabla, k es el número de partículas
TABLA14.1
k O 1 2 3 4 9 81 071 16T o5 t a l
nk 383
203 57 532 525 139
273 408 49 ' 27 10 6 2612
x= ‘li
Ck
Icnk = 1.22 número de inflamaciones por día.
nk
TABLA14.3
Contenido de ceniza en el carb6n 1I
X 9.25 9.75 10.25 10.75
nx 1 O 2 1
X 14.25 14.75 15.75 15.25
nx I 13 I 14 I 15 I 13
X I 19.25 I 19.75 I 20.25 I 20.75
nx 1 1 2 1 7 1 6 1 8
X I 24.25 I 24.75 I 25.25 I
nr 1 0 1 0 1 1 1
Total I I I I
de muestras I 250 I I I
Sólo hemos considerado ciertos criterios con los cuales podemos juzgar
u n estimado. Es decir, dado un estimado propuesto para un par5metro
desconocido, podemos verificarsi es insesgado y consistente, y podemos
calcular (al menosen principio) su varianza y compararla con l a varianza
de otro estimado. Sin embargo, no tenemos aún un procedimiento
general con el cual podamos encontrar estimados “razonables”. Existen
diversos procedimientos d e los cuales expondremos uno, llamado el
método de la máxima verosimilitud. En muchos casos este método da
estimados razonables.
A fin d e evitar la repetición de nuestra exposición para el caso dis-
creto y el continuo, convengamos en la terminología siguiente para los
propósitos d e la exposición presente.
Escribiremos f(x;13)tanto parala fdp deX (evaluada enx) como para
P ( X = x) si X es discreta. Incluimos 6 (en la notación) para recordar
que la distribución de probabilidades Xdedepende del parámetro0 en
el cual estamos interesados.
Sea X1 7 . . . X , una muestra aleatoria ladevariable aleatoriaA’ y sean
x1,. . . ,2 , los valores muestrales. Definamos la función de verosimilitud L
como la siguiente función dela muestra y de 0.
14.4 Estimados de máxima verosimilitud 385
In L ( X I , .. . ,X,; O)
os de 386 Estimación 14.4
a
- In L ( X 1 , . . . ,X,;
0) =O (14.2)
ae
a
- In L(X1,. . . ,X,; a ,/3) = O,
8-Y
(14.3)
a
- In L ( X 1 , . . . , X,; a ,p) = O.
aa
A s í , In L = n In -P Ti. Portanto,
L ( X 1 ) . . . ) x n ; p ) = pk ( ~ - p ) , - ~ ,
Por lo tanto,
FIGURA14.3
390 Estimacióndeparámetros 14.4
E ( & )= 1
CY
hg(&)d 6 = 1 6
CY nbn-l
7 d6
= la(&) La(&)
2 g(6)d6 = 2 an d&
Luego,
n n
V ( & )= E(&)2- ( E ( S ) ) 2= -
n+2 n+l (n + 2)(n +
Así, V ( 6 ) + O cuando n -+ m y, portanto, la consistenciaest5
demostrada.
Luego,
aln L alnL
=o y -
aff o.
8”
Tenemos
”
aln L
a”
- 5 (Xi
;=I
- PI _= o,
U2
que da
62 = -
l n C(X2- ” ) 2 =-
l n E(Xa -x>
- 2 *
n r=l
. n .
r=l
8="1.(--), 1 n .- k
TO
($)= ln[(n-Tok ) / n ].
-
n n
nOrl n L -
"
dX
--
X i=l
x"; =o,
n
, donde B = nE (14.4)
Por tanto,
14.5 El método de I(osmínimos cuadrados 395
TABLA
14.4
1142 13 1O08 13
1742 7 20;B 18
280 14 4 3'9 14
437 16 1471 14
678 13 48'2 18
1002 11 67.3 13
1543 4 4 0'7 16
1002 9 12910 7
1103 5 1609 6
475 11 9110 9
1049 10 127'7 11
566 15 4110 14
995 10
b,
Por lo tanto, encontramos que para unan gramde tiene aproximada-
mente la distribución N ( P , ,$/,). (Esto verifica la propiedad de consis-
tencia del estimado, puesto queP 2 / n + O cuando n -+ m.)
~ ( c =
) O; ~ ( t=) u2 paratoda X.
8s 8s
-=o y -
aa ap = O. FIGURA14.5
as
-
n
a(Y i=l i= 1
n n
(14.5)
i=l i=l
Ex.
n n
a C z ;+ n p = (14.6)
s=l i=l
(14.7)
E ( x i -q 2 # o.
i=l
V ( & )=
cy==,(.;
U2
- 2)2
. V ( P )= ;[ 1
+- ?¿?
1
(x;- F)2 u2
(14.9)
i=l
se minimiza.
g) Si formulamos la hipótesis adicional de que la variable aleatoria E tiene
distribución N ( 0 , u2),podemos aplicar el mCtodo de la máxima verosimilitud
para estimar los parámeh-os CY y P. Esos estimaldos son los mismos que los
estimados d e mínimos cuadrados obtenidos anteriormente. (Esto no siempre
es cierto, es una consecuencia d e la hipótesis de normalidad.)
TABLA
14.5
T
T Y T Y
.
e
O 66.7 92.9 29
71.0 4 36 99.4
10 51 76.3
113.6
15 80.6 68 125.1
85.7 20 40 60
21
FIGURA14.6
(XI,Y l ) ,. . . ,(X,, Y,). Uno d e los par5metros m& importantes asocia-
d o con una variable aleatoria bidimensional es el coeficiente
d e correla-
ción p x y .
TABLA 14.6
(
= P X--<p<:u+- .
ZU
Jn- - " dñ
z')
2
8 =-
1
n-l.
E(&
" S)? -
a=1
(14.10)
-(k+l)/Z
hk(t)= , “00 < t < OO. (14.11)
/tk’a h k ( t ) dt = CY
J-00
están tabulados. (Véase la Fig. 14.9.) (Para los valores d e a que satisfacen
O < CY < 0.5, podemos usar los valores tabulados debido a la simetría d e la
distribución.)
e ) Esta distribución se llama así en honor delestadístico inglés 147. S. Gosset,
quien publicó su trabajo conel seudónimo de “Student”.
14.9 Más sobre los intervalos de confianza 405
FIGURA
14.8 FIGURA
14.9
+ -( 1 1.36)(1.83)) = (9.69,11.27).
/
1
(10.48 -(1.36)(1.83)10.48
-
m m
14.9 Más sobre los intervalos de conjianza
r 'i>
para un tiempo deservicio de t horas está dada por
R ( t ; p )= P ( X > t ) = 1 - cp - .
Puesto que a R ( t ; p ) / a p > O para toda p , tenemos que para cada t
fija, R(t;p ) es una función creciente de p. (Véase la Fig. 14.10.) Luego,
podemos proceder como sigue para obtener un intervalo de confianza
para R ( t ; p ) . Sea ( -
p , p ) el intervalo de confianza para p obtenido en
la sección 14.7. Sean y a, respectivamente, los extremosinferior y
superior del intervalo deconfianza pedido para R(t;p ) . Si definimos a
R y R por las relaciones
-
obtenemos
R=
- l-@ (500 = 0.6554,
-
R = 1- Q, (500 - 502
) = 0.6915.
Hasta ahora sólo hemos considerado intervalos d e confianza biln-
terales. Es decir, hemosobtenidodos estadísticos (algunas veces lla-
mados cota superior e inferior d e confianza), sean L ( X 1 , . . . ,X,) y
<
U(X1,. . . ,X,), tales que P [ L U 5 U ] = 1- C Y , donde U es el parámetro
desconocido.
A menudo sólo estamos interesadosen obtener intervalosd e confian-
za unilaterales d e la forma siguiente:
P[U<U]=l-a o P[L<8]=1-a.
Ilustremos lo anterior con ejemplos.
P [ ( - t / @ ) 2 -t&+n/x2n] = 1 - a.
Esto a su vez implica que, puesto que e’ es una función creciente de2 ,
= 2 q K ) - 1,
FIGURA
14.13
Ahora p es desconocida. ( h e , por supuesto, es nuestro problema.)
La recta h = c (constante) cortará la elipse en dos lugares, sean p = p l
y p = p2. (Es fácil verificar que dadas a y h, siempre habrá dos valores
distintos d e p.)
Los valores p l y pa se pueden obtener como solución d e la ecuación
cuadrática (en p ) : ( h - p ) 2 = K2(1- p ) p / n . Las soluciones son:
n+K 2
Pl = 7
.
n+K 2
P2 = (14.12)
410 Estimación de parárnetros
PI21 11 -
I-
, “” p2 2: h + ”m.
K
fi fi
EJEMPLO14.22. En un proccso d e producción se fabrican 79 artícu-
los durante cierta semana.D e esos, se encontró que3 eran defectuosos.
Así h = & = 0.038. Usando el procedimientoanterior,obtenemos
(0.013, 0.106) como un intervalo de confianza parap = P(e1 artículo es
defectuoso) con un coeficiented e confianza 0.95.
EJEMPLO14.23. Una fábrica tiene un gran número de artículos al-
macenados, algunos d e los cuales provienen d e un método de produc-
ción que en la actualidad se considera de poca calidad, mientras que
otros provicncn de un proceso modcrno. Dcl almacén se escogen a l
azar 3 O00 artículos. De &os, se encuentra que 1578 se han fabricado
con el proceso d e poca calidad. Utilizando la aproximación anterior pa-
ra p ] y p a , el cálculo siguiente da un intervalo de confianza
d e 99% para
p = proporción d e artículos del proceso insatisfactorio.
1578
1%= -= 0.526, IC = 2.576,
3000
Problemas 41 1
PROBLEMAS
14.1. Supóngase que un objeto se mide en forma independiente con dos
instrumentos, d e medicióndiferentes.Sean L1 y L2 l a s longitudes que se
midieron conel primero y el segundo, respectivamente. Si ambos instrumentos
esdn correctamente calibrados, podemos suponer que E(L1) = E ( L 2 ) = L ,
la longitud verdadera. Sin embargo, la exactitud d e los instrumentos no es
necesariamente la misma. Si se mide la exactitud en términos d e la varianza,
+
entonces V ( L 1 ) # V ( L 2 ) . Al usar la combinación lineal 2 = aL1 (1 - a ) L 2
para el estimado deL , cle inmediato se tiene que E ( Z ) = L. Es decir, Z es un
estimado, insespdo de L. ?Para que elección del valor de a, O < a < 1, es
mínima la varianza d e Z ?
1.1.2. Sea S una variable aleatoriaconesperanza p y varianza u 2 . Sea
(X1, . . . ,S,)una
muestra d e X. I Iay muchos otros estimados d e u’ que se
sugieren además del ya propuesto. Demostrar que C cyl:(,Y;+1 - es un
estimado insesgado d e u2 para un valor apropiado deC. Encontrar la elección
del valor d e C.
14.3. Supóngaseque se obtienen 200observaciones independientes, X I , . . . ,
X ~ Mde, una variable aleatoria S . Se dice que 200 X; = 300 y que 200 S: =
3754. Usando esos valores obtener un estinlado d e E ( X ) y V ( S ) .
14.4. Una variable aleatoria X tiene fdp f ( z ) =: ( p + 1)zD, O
< z < 1.
a ) Obtener el estimado ML d e p, con base en ulna muestra S I , . . . ,S,.
6) Evaluar el estimado si los valores muestrales son 0.3,0.8, 0.27, 0.35, O.G2
y 0.55.
14.5. Los datos d e la tabla 14.7 se obtuvieron ¿le la distribución del espesor
d e la madera en los postes telefónicos. (W. A. Shewhart, Economic Control of
Quality of Manufactured Products, Macmillan and Co., Nueva York, 1932, pág.
66.) Suponiendo que la variable aleatoria que se considera tiene distribución
N ( p ,u 2 ) ,obtener los estimados ML de p y u 2 .
=O paracualquierotro valor.
TABLA
14.7
1009, 1085, 1123, 1181, 1235, 1249, 1263, 1292, 1327, 1338,1348,
1352, 1359, 1368, 1379, 1397, 1406, 1425, 1437, 1438, 1441,1458,
1433, 1488, 1499, 1505, 1509, 1519, 1541, 1543, 1548, 1549, 1610,
1620, 1G25, 1638, 1G39, 1658, 1673, 1682, 1720, 1729, 1737,1752,
1757, 1783, 1796, 1809, 1828, 1834, 1871, 1881, 1936, 1949, 2007.
Problemas 413
x11 2 3 4 5
y14 5 3 1 S!
+
14.32. Supóngase que E(Y)= crX P. Una. muestra d e tamaño 50 est5
disponible, sea (x;,I:), i = 1,.. . , 5 0 para la cual C = ri;; = O , xfzl
x: = 10,
E:2 = 15 y ,!:x z;yZ = 8.
Definición.
Error t$o 1: rechazar Ho cuando 110 es verdadera.
Error tipo 2: aceptar Ho cuando HO es falsa.
Debe ser evidente que no podemos evitar por completo cometer esos
errores. Trataremos de mantener relativamente pequeña la probabili-
dad decometerlos.
Para enfrentar este problemapresentaremlos la muy importante no-
ción d e función d e operación característica (de la prueba, digamos L ,
que es la siguiente función del parámetro (desconocido)p.
420 Pruebas de hipótesis 15.1
-2/3
@(S) = -J s e dx.
6 "o0
1 - L(100) = 1 - G ___-
3
loo6 0 1
rol
= 1 - G(2.37) = 0.009.
0.95 = @
c - 100
Por tanto,
C = 100 + -= 1010.69
3( 1.64)
&O
L b )= 1
(100,0.95)
I”
p= 100 FIGURA15.2
con una probabilidad de 0.05. Puesto que ahora se conocen n y C , la
función OC está completamente especificada. Su gráfica se muestra en
l a figura 15.2. El valor 0.05 se llamanivel de signiJicucio’nd e la prueba (o,
algunas veces, tamuño de la prueba). En la mayor parte d e los problemas
se supone que este valor es menor que O. 1).
Nótese que a l especificar a y el tamaño d e l a muestra n, sólo se
debe determinar la constante C a fin de especificar completamente la
prueba. Hicimos esto insistiendo en que la gráfica d e la función OC
pasa a través de un punto especificado, a saber (100, 0.95). (Debe ser
evidente cómo se modificaría el procedimiento anterior si hubiésemos
escogido un valor distintoa 0.05 para el nivel d e significación.)
Ahora que la función OC está completamente especificada, podemos
encontrar las coordenadas de cualquier otro punto. Por ejemplo,Ccuál
es el valor d e L(102)?
@(-3.1) = 0.00097
(100,0.95)
(102,O.Ol)
r
r=100 r=102 FIGURA15.3
tambiCn un nivel d e significación d e 0.05, obtenemos las siguientes
ecuaciones para la determinación d e n y C:
c - 100 6, (7 - 102
1.64 =
3
-2.33 =-
3
6.
A fin d e eliminar n, dividimos una ecuación entre la otra. Así,
de la cual obtenemos
n= [ -1.64)
,,,] =
3(
34.635.
424 Pruebas de hipótesis 15.2
L ( p )= P ( X 5 C ) = cp (""J;;)
U .
I L
p=C
FIGURA15.4
2
Dcfiniendo K a en la relación l / f i J f $ e-' I 2 d t = (Y,
podemos escri-
bir lo anterior como
L(p) = P ( S 2 C ) = 1 - @ (-
U 6).
Si consideramos 11:: p # /LO, rechazaríamos 110 cada vez que I X -pol >
C y, por tanto, la función OC se definiría como
FIGURA
15.5
al aceptar algunas pinzas que son de mala calidad (creyendo que 110 lo
son), como no aceptar las pinzas q u e son de buena calidad (creyendo
que no lo son)?
100.87 - 100
P ( X 2 100.87) = P
(" 3 1 ° 0
~
3 h 0 )
= 1 - a(2.OG)= 0.019699.
Puesto que 0.01 < 0.019699 < 0.05, diremos que el valor observado es
significativo al nivel del 5%, pero no alnivel del 1%. Es dccir, si usamos
a: = 0.05, rechazaríamos 110,mientras, que al mismo tiempo, si usamos
a: = 0.01, no deberíamos rechazar 13,.
Por decirlo de modo diferente, si p = 100, obtenemos un resultado
que ocurrirá sólo alrededor del 1.9% d e las veces. Si creemos que para
aceptar 110 un resultado debería tener por lo menos una probabilidad
d e ocur-rir de 0.05, entonces la rechazamos. Si estamos satisfechos con
una probabilidad de 0.01 la aceptamos.
FIGURA15.6
/d-
modo quela prueba tenga unnivel de significación específicoigual a a.
La variable aleatoria 2 = [(X - Y ) - ( F , - ~ py)]
tiene distribuciónN ( 0 , l). Definiendo p = p z --py, podemos expresarl a
de 43 O Pruebas hipótesis 15.3
L ( 0 ) = 1 - cr
Por lo tanto,
a = 1 - L(0.9)
= (0.9)49[50 - 44.11
FIGURA15.7
= 0.034
Obseruacwnes: a) El ejemplo anterior se puede generalizar como sigue. Su-
póngase queX es unavariable aleatoria distribuida binomialmente con base en
432 Pruebas de hipótesis 15.3
(15.2)
(15.3)
Cálculos directosquedan x
= 31.6 y e2 == 7.5. De la tabla d e la
distribución t encontramos que
Luego,
9.8,14.5,13.7,7.6,10.5,9.3,11.1,10.1,12.7,9.9,
10.4,8.3,11.5,10.0,9.1,13.8,12.9,10.6,8.9,9.5.
7.2,37.8,49.6,21.4,67.2,41.1,3.8,8.1,23.2,72.1,
11.4,17.5,29.8,57.8,84.6,12.8,2.9,42.7,7.4,33.4.
15.4 Prueba para la bondad de ajuste 435
k 2
Rechazar Ho siempre
que D2 = (ni - ripio)
- > c, (15.4)
i=l nPio
Observaciones: a) Puesto que E ( n i ) = np;, sipi = pi,, este criterio para probar
tiene u n considerable atractivo intuitivo. Exige que rechacemos Ho siempre
que la discrepancia entre los valores observados n; y los valores esperados
np;, sea “muy grande”.Algunas veces el estadístico D2 anterior se escribe d e
manera muy sugerente como Ci=l(o; k - e i ) ’ / e ; , donde o; y e ; representan,
respectivamente, el valor observado y esperado de n;.
b ) Es importante establecer que D2 es u n estadístico (es decir, una hnción
d e los valores observados ni, . . . , n k ) y es, por tanto, unavariable aleatoria. En
realidad, D2 es unavariable aleatoria discreta que toma un gran número finito
d e valores. La distribución actual d e D2 es muy complicada. Por fortuna, hay
una aproximacióndisponible para la distribución d e D 2 , v5lida si n es grande,
y que hace muy útil el procedimiento sugerido.
436 Pruebas de hipótesk 15.4
2 2
o.95; donde ~ k - o.95
~ , está definida porla relación
tomó una muestra particular de una variable aleatoria con una distribu-
ción especifica?
En este punto debemos hacer una distinción entre los dos tipos d e
problemas. Simplemente podríamos formular la hipótesis de que la
variable aleatoria que se muestrea tiene alguna distribución normal,sin
especificar los parámetros implicados.
O podríamos ser más explícitos y formular la hipótesis de que la
variable aleatoria que se considera tiene una distribución normal con
promedio y varianza específicos. Los dos problemas pueden tratarse de
manera semejante, peroel segundo (cuandoespecificamos completamente
la distribución hipotktica) es un poco más simple y lo consideraremos
primero.
- 1 - e -0.5 -
pl = P(T 5 100) = 1 - e -0.005(100) - - 0.39,
p1 = P ( X < 12) = P - (
X - 1712
2.7 < --)2.7- 17 = @(-1.85) = 0.03,
D2 =x i=l
( n ; - 250@;)2
250j;
-
-
(7 - 7.5)2 (49 - 50)2 ((109- 102.5)2
7.5 102.5 + 50
= 0.82.
- 1351
-
-
2500
= 0.54.
$1 = P ( X = O) = e -(0.54) -
- 0.58 y nl;l = 1450
p2 = P ( X = 1) = e -0.54 (0.543) = 0.31 y n.p2 = 775
-0.54 (0.543)2
$3 = P ( S = 2) = e = 0.08 y np3 = 200
2
+ 200 25 50
Puesto quehay cinco categoríasy estimábamos un parámetro,la variable
aleatoria 0’tiene la distribución aproximada x:. En las tablas de l a
distribuciónx-cuadradaencontramosque P ( D 2 2 42.2) E O y, por
tanto, deberíamos rechazar la hipótesis.
PROBLEMAS
15.1. Suponer queX tiene distribución N ( , L Iu*) , con c2 conocida. Para probar
Ho: ,LI = ,LIO contra H I : L,I < ,LIO se propone el método siguiente: obtener una
muestra d e tamaño n y rechazar Ho siempre que el promediomuestra1 < C, x
donde C es una constante que debe determinarse.
a) Obtener una expresión para la función OC, L ( p ) en términos d e la
distribución normal tabulada.
Problemas 443
TABLA
15.1
Lubricante 1 Lubricante
Lubricante 2 3
Duración
(enhoras) O<T<100 lOO<T<200 2005T<300 300<T<400 T1400
Nilmero
de bombillas 82 71 G8 62 52
Para probar Ho: (Y = (YO se propone la siguiente prueba. Obtener una obser-
vación de X, sea XI, y rechazar Ho si X 1 > 1.
a) Obtener unaexpresión para la función OC, L ( ( Y ) , de esta prueba y hacer
su gráfica.
6) ¿Cuál es el tamaño de esta prueba si (YO = ~ / 4 ?
15.13. En una malla de 165 celdas, secontó el número de granos de grafito
en cada celda. A s í se obtuvieron los datos de la talbla 15.2. Probar la hip6tesis
de que el número de granos en cada una de las celdas esuna variable aleatoria
con una distribución de Poisson. [Sugerencia: Reunira l observaciones 5 2 y
s
también aquellas 2 10.1
TABLA
15.2
En inglés:
BAZOVSKY, I., Reliabilily The091 and Pmctice, Englewood Cliffs, Nueva
Jersey, Prentice-I-Iall, Inc., 1961 (1 1).
BERMAN, SIMEONM., The Elenlents of Probability, Reading, Mass.,
Addison-Wesley Publishing Co., Inc., 1969.
448 Referencias
En español:
A continuación se presenta una lista de libros en español parabeneficio
del estudiante y del lector en general que des'een investigar algunos de
y, en especial, algunas áreas particulares.
los temas tratados en este libro
(N. del T.)
TABLA1. (Continuacidn)
~~ ~~
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7703 0.7734
0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944. 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9-049 0.9066 0.9082 0.9099 0.91151 0.9131 0.9147 0.9162 0.9177
.-1.4 0.9192 0.9205 0.9222 0.9236 0.9251 0.9265' 0.9278 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9430 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9648 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9700 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9762 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808,0.9812 0.9817
2.L. 0.9821 0.9826 0.9830 0.9834 0.9838-
-0;9842 0.9846 4. 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9874 0.9878 0.9881 884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 a9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9990 0.9993 0.9995 0.9997 0.9998 0.9998 0.9999 0.9999 1.0000
TABLA
2. Funci6n de la distribucitjn binomial
(r)
T=n
,
1 - F ( x - 1) = pT(yT
n = 10 n = 10 n = 10 n = 10 P
x = 10 x = 9 x=s x = 7
(")
. .
1 - F ( x - 1) 1 prqn-r
r
n = 10 n = 10 n = 10 n = 10 n = 10 n = 10 P
x = 6 x = 5 x=4 x=3 x = 2 x = 1
T=X
..
TABLA
3. (Continuacidn)
e V aa
1 - F ( z - 1) = -
T=03
VI
4. (Contznuacidn)
TABLA
TABLA
5. (Continuacidn)
TABLA
6. Números aleatcn-ios*
~~
07018 31172 12572 23968 55216 85366 56223 09300 94564 18172
52444 65625 97918 46794 62370 59344 213149 17596 5 1669 47429
72161 57299 8752 1 4435 1 99981 55008 9337 1 60620 66662 27036
17918 75071 91057 46829 47992 26797 64423 42379 9 1676 75127
13623 76165 43195 50205 75736 77473 07268 31330 07337 55901
27426 97534 89707 97453 90836 78967 00705 85734 21776 85764
96039 2 1338 88169 69530 53300 29895 7 1507 285 17 77761 17244
68282 98888 25545 69406 29470 46476 54562 79373 72993 98998
54262 21477 33097 48125 92982 98382 11265 25366 06636 25349
66290 27544 72780 91384 47296 54892 5’9168 8395 1 91075 04724
53348 39044 04072 622 10 01209 43999 5,4952 68699 31912 09317
34482 42758 40128 48436 30254 50029 1’9016 56837 05206 33851
99268 98715 07545 273 17 52459 75366 43688 27460 65 145 65429
95342 97178 10401 31615 95784 77026 33087 65961 10056 72834
38556 60373 77935 64608 28949 94764 45312 71171 15400 72 182
39 159 04795 51 163 84475 60722 35268 05044 56420 39214 89822
41786 18169 96649 92406 42773 23672 37333 85734 99886 81200
95627 30768 30607 89023 60730 31519 53462 90489 8 1693 17849
98738 15548 42263 79489 85 118 97073 01574 573 10 59375 544 17
75214 61575 27805 21930 94726 39454 19616 72239 93791 22610
73904 89123 19271 15792 72675 62175 48746 56084 54029 22296
33329 08896 94662 05781 59187 53284 28024 45421 37956 14252
66364 94799 62211 37539 80172 43269 91133 05562 82385 9 1760
68349 16984 86532 96 186 53891 48268 8282 1 19526 63257 14288
19193 99621 66899 12351 72438 99839 24228 32079 53517 18558
49017 23489 19172 80439 76263 98918 59330 20121 89779 58862
76941 77008 27646 82072 28048 41589 70883 72035 8 1800 50296
55430 25875 26446 25738 32962 24266 26814 O 1 194 48587 93319
33023 26895 65304 34978 43053 28951 22676 05303 39725 60054
87337 74487 83196 61939 05045 20405 69324 80823 20905 68727
81773 36773 21247 54735 68996 16937 18134 5 1873 10973 77090
74279 85087 94186 67793 18178 82224 17069 87880 54945 73489
34968 76028 54285 90845 35464 68076 15868 70063 26794 81386
99696 78454 21700 12301 88832 96796 5934 1 16136 O 1803 17537
55282 61051 97260 89829 69121 86547 62 195 72492 33536 60137
31337 83886 72886 42598 05464 88071 92209 50728 67442 47529
94 128 97990 58609 20002 76530 81981 30999 50147 9394 1 80754
06511 48241 49521 64568 69459 95079 42588 98590 12829 64366
69981 03469 56128 80405 97485 88251 76708 09558 86759 15065
23701 56612 86307 02364 88677 17192 23082 00728 78660 74196
09237 24607 12817 98120 30937 70666 76059 44446 94 188 14060
11007 4546 1 24725 02877 74667 18427 45658 400-14 59484 59966
60622 78444 39582 91930 97948 13221 99234 99629 22430 49247
79973 43668 19599 3002 1 68572 31816 63033 14597 28953 21162
71080 71367 23485 82364 30321 42982 74427 25625 74309 15855
09923 26729 74573 16583 37689 06703 21846 78329 98578 25447
63094
72826 65558 22616 33472 67515 75585 90005 19747 08865
19806 42212 41268 84923 21002 30588 40676 94961 31154 83 133
17295 74244 43088 27056 86338 4733 1 9737 83735 84058 12382
59338 27190 99302 84020 15425 14748 42380 99376 30496 845?3
*The Rand Corporation, A A~lillionR o d o m Digits wilh 100,000 h i d e s , The Free Pres, 1955.
462 Apéndice
TABLA
6. (Continuación)
96124 73355 01925 17210 81719 74603 30305 29383 69753 61156
31283 54371 20985 00299 71681 22496 71241 35347 37285 02028
49988 48558 20397 60384 21574 14852 26'4 14 10767 60334 3691 1
82790 45529 48792 31384 54649 08779 94 194 62843 11182 49766
5 1473 1382 1 75776 24401 004,15 61570 80687 39454 07628 94806
07785 02854 91971 63537 84671 035 17 28914 48762 76952 96837
16624 68335 46052 07442 4 1667 62897 40326 75 187 36639 21396
28718
92405 07123 22008 83082 28526 491 17 96627 38470 78905
33373 90330 67545 74667 20398 58239 22772 34500 34392 92989
36535
48606 11139 82646 18600 53808 70267 74970 35100 o1291
47408 62155 47467 14813 5668.4 5668 1 3 1779 3044 1 19883 17044
56129 36513 4 1292 82 142 13717 49966 35367 43255 06993 17418
35459 10460 33925 75946 26708 63004 89286 24880 38838 76022
61955 55992 36520 08005 48783 08773 45424 4,1359 25248 7588 1
85374 6979 1 18857 92948 90933 90290 97232 61348 22204 43440
15556 39555 09325 16717 74724 79343 263 13 39585 56285 22525
75454 9068 1 73339 08810 89616 99234 366 13 43440 60269 90899
27582 90856 04254 23715 00086 12164 16943 62099 32132 9303 1
89658 47708 01691 22284 50446 0545 1 G8947 34932 81628 227 16
57194 77203 26072 92538 85097 58178 46391 58980 12207 9490 1
64219 53416 03811 11439 80876 38314 77078 85171 06316 29523
53166 78592 80640 58248 68818 78915 57288 853 10 43287 89223
58112 88451 22892 29765 20908 49267 18968 39165 03332 94932
14548 36314 05831 01921 97159 55540 00867 84293 54653 81281
21251 15618 40764 99303 38995 97879 98178 0370 1 70069 80463
30953 63369 05445 20240 35362 82072 29280 72468 94845 97004
12764 79194 36992
74905 85867 18672 28716 17995 63510 6790 1
72393 71563 42596 87316 80039 75647 66121 17083 07327 39209
11031
40757 10904 22385 39813 63111 33237 95008 09057 50820
91948 69586 45045 67557 86629 67943 23405 86552 17393 2422 1
18537 07384 13059 47389 97265 11379 24426 09528 36035 0250 1
66885 11985 38553 97029 88433 78988 88864 03876 48791 726 13
96177 71237 08744
38483 16602 94343 18593 84747 57469 08334
3732 1 96867 64979 89159 33269 06367 09234 77201 92195 89547
77905 69703 77702 90176 04883 84487 88688 09360 42803 88379
53814 14560 43698 8663 1 87561 9073 1 59632 55 672 24519 1O966
16963 37320 40740 79330 04318 56078 23196 49668 801 18 73842
87558 58885 65475 25295 59946 47877 81764 85986 6 1687 04373
84269 55068 10532 43324 39407 65004 3504 1 20714 20880 19385
94907 O80 19 05159 64613 26962 30688 51677 05111 51215 53285
45735 14319 78439 18033 72250 87674 67405 94 163 16622 54994
11755 40589 83489 95820 70913 87328 04636 42466 68427 79135
5 1242 05075 80028 35144 70599 92270 62912 08859 87.405 08266
00281 25893 94848 74342 45848 10404 28635 92 136 42852 40812
12233 65661 10625 93343 2 1834 95563 15070 99901 09382 01498
88817 57827 02940 66788 76246 85094 44885 72542 3 1695 83843
75548 53699 90888 94921 04949 80725 72 120 80838 38409 72270
42860 40656 33282 45677 05003 46597 67666 70858 4 1314 71100
71208 72822 17662 50330 32576 95030 87874 25965 05261 95727
44319 22313 89649 47415 2 1065 42846 78055 64776 64003 4805 1
Apéndice 463
TABLA
7 . Desviaciones normales aleatorias
- -
O0 o1 02 03 04 05 06 07 08 09
- - - -
- - - - - - - -
__. - -
- - -
O0 .31 -.51 -1.45 -.35 .18 .o9 .o0 .ll -1.91 -1.O7
o1 .90 -.36 .33 -28 .30 -2.62 - 1.43 -1.79 -.99 -.35
O2 .22 .58 :87 -.O2 .O4 .12 -.17 .78 -1.31 .95
03 - 1.o0 .53 -1.90 -.77 .67 .56 -.94 .16 2.22 -.08
04 -.12 -.43 .69 .75 -.32 .7 1 -1.13 -.79 -26 -.86
05 .o 1 .37 -.36 .68 .44 .43 1.18 -.68 -.13 -.41
06 .16 -.83 -1.88 .89 -.39 .93 -.76 -.12 .66 2.O6
07 1.31 -.82 -.36 .36 24 -.95 .41 -37 .78 -.27
08 -.38 -.2G -1.73 .O6 -.14 1.59 .96 - 1.39 .51 -.50
o9 .38 .42 -1.39 -.22 -.28 -.O3 2.48 1.11 1.10 .40
10 1 .O7 2.26 -1.68 -.O4 .19 1.38 -1.53 -1.41 .o9 -1.91
11 -1.65 -1.29 -1.03 .O6 2.18 -.55 -.34 -1.07 .S0 1.77
12 1 .o2 -.67 -1.11 .O8 -1.92 -.97 -.70 -.40 -.72 -.47
13 .O6 1.43 -.46 -.62 -.11 .36 .64 -27 .72 .68
14 .47 - 1.84 .69 -1.07 .83 -25 -.91 -1.94 .96 .75
15 .10 1.o0 -.54 .61 -1.04 -.33 .94 .56 .62 .07
16 - 31 .O4 .63 -.26 -1.35 -1.20 1.52 .63 -1.29 1.16
17 -.94 -.94 .56 -.o9 .63 -.36 .20 -.60 -29 .94
18 .29 .62 -1.09 1.84 -.11 .19 -.45 .23 -.63 -.06
19 .57 .54 -.2 1 .o9 -.57 -.lo - 1.25 -.26 .88 -.26
20 .24 .19 -.67 3.04 1.26 -1.21 .52 -.O5 .76 -.09
21 -1.47 1.20 .70 - 1.80 -1.07 .29 1.18 .34 -.74 1.75
22 -.o1 .49 1.16 .17 -.48 .81 1.40 .17 .57 .61
23 -.63 -.26 .55 -.21 -.O7 -.37 .47 -1.69 .O5 -.96
24 .85 -.65 -.94 .12 -1.67 28 -.42 .14 -1.15 -.41
25 1.O7 -.36 1.10 .83 .37 -.20 -.75 -.50 .18 1.31
26 1.18 2.09 -.61 .44 .40 .42 -.61 -2.55 -.o9 -1.33
27 .47 .88 .7 1 .31 .41 -1.96 .34 -.17 1.73 -.33
28 .26 .90 .ll 28 .76 -.12 -1.01 1.29 -.71 2.15
29 .39 -.88 -.15 -.38 .55 -.41 -.O2 -.74 -.48 .46
30 -1.01 -.89 -1.23 .O7 -.O7 .O8 -.O8 -1.95 -.34 -.29
31 1.36 .18 .85 .55 .o0 -.43 .27 -.39 .25 .69
32 1.02 -2.49 1.79 .O4 -.O3 .85 -.29 -.77 28 -.33
33 -.53 -1.13 .75 -.39 .43 .10 -2.17 .37 -1.85 .96
34 .76 1.21 -.68 .26 .93 .99 1.12 -1.72 -.O4 -.73
35 .O7 -23 -.88 -23 .68 24 1.38 -2.10 -.79 -.27
36 .27 .61 .43 -.38 .68 -.72 .90 -.14 -1.61 -.58
37 .93 .72 -.45 2.80 -.12 .74 -1.47 .39 -.61 -2.77
38 1 .O3 -.43 .95 -1.49 -.63 .22 .79 -2.80 -.41 .61
39 -.3? 1.41 -.23 -.36 .60 -.59 .36 .63 .73 .81
40 1.41 .64 .O6 2 5 -1.75 .39 1.84 1.23 -1.27 -25
41 25 -.70 .33 .12 .o4 1.03 -.64 .O8 1.63 .34
42 -1.15 .57 .34 -.32 2.31 .74 .S5 -1.25 -.17 .14
43 .72 .o 1 .50 -1.42 .26 -.74 -.55 1.86 -.17 -.lo
44 -.92 .15 -.66 .83 .50 .? 4 -.40 1.90 .35 .69
45 -.42 .62 .24 .55 -.O6 .14 -1.09 -1.53 .30 -1.56
46 -.54 1.21 -.53 29 1.O4 -.32 -1.20 .o 1 .O5 20
47 -.13 -.70 .O7 .69 .S8 1.18 .61 -.46 -1.54 .50
48 -29 .36 1.44 -.44 .53 -.14 .66 .O 0 .33 -.36
49 1.90 -1.21 -1.87 -27 -1.86 -.49 .25 .25 .14 1.73
-
464 Apéndice
7 . (Continuación)
TABLA
- -
-
10
- -
- __
11
- - -12 13
-
-
14 15
17
-- - 16
-
18
__.
19
-
-
O0 -.73 .2 5 -2.08 .17 - 1.O4 -.23 .74 .23 .70 -.79
o1 -37 -.74 1.44 -.79 -.76 -.42 1.93 .88 .so -.53
02 1.18 .O5 .10 -.15 .O5 1.O6 .S? .90 -1.38 .51
03 -2.09 1.13 -.50 .37 -.I8 -.16 -1.85 -.go 1.32 -.83
04 -.32 1.06 1.14 -.?3 .49 1.10 -.27 -.64 .4 7 -.05
05 .90 -36 .63 -1.62 -.5? -1.55 .78 -.54 -.29 .19
06 -.16 -.22 -.17 - 31 .49 .96 .53 1.73 .14 1.21
07 .I5 -1.12 .80 -.30 -.77 -.91 .o0 .94 -1.16 .44
O8 -1.87 .72 -1.17 -.36 -1.42 -.46 -.58 .O3 2.08 1.11
o9 .a7 .95 .O5 .46 -.o1 .85 1.19 -1.61 -.lo -37
10 .52 .12 - 1.o4 -.56 -.91 -.13 .17 1.17 -1.24 .84
11 -1.39 -1.18 1.67 2.88 -2.06 .10 .O5 -.55 .74 .33
12 -.S4 -.46 "85 -.29 .54 .7 1 .90 -.4? -1.30 .50
13 -.51 .o4 -.44 -1.87 -1.06 1.18 -.39 .22 -.55 -.54
14 -1.50 -.2 1 -.89 .4 3 -1.81 -.O7 -56 -.o2 1.77 - 1.54
15 -.48 1.54 1.88 .66 -.62 .?8 -.34 2.42 -1.65 2.06
16 .S9 -.23 .57 .23 1.81 1.o2 .33 1.23 1.31 .06
17 .38 1.52 -1.32 2.13 -.14 .?8 .46 .25 .65 1.18
18 -.53 .37 .19 -2.4 1 .16 .36 .15 .14 -.I5 -.73
19 .I5 .62 -1.29 1.84 .so -.65 .72 -1.77 .O7 .46
20 -31 -.22 1.16 1.09 -.73 -.15 .S7 -.S8 .92 -.04
21 -1.61 2.5 1 -2.17 .4 9 - 1.24 1.16 .97 .I5 .37 .18
22 .26 -.48 -.43 -2.08 .75 1.59 .78 -.55 .85 -1.87
23 -.32 .75 -.35 2.10 -.70 1.29 .94 .20 -1.16 .59
24 -1.00 1.37 .68 .o0 1.S7 -.14 .77 -.12 .89 -.73
25 .66 .O4 -1.73 .25 .26 1.46 -.77 -1.67 .18 -.92
26 -.20 -1.53 .59 -.15 -.15 -.11 .68 -.14 -.42 -1.51
27 1.01 -.44 -.2 -2.05 -.27 -.50 -.27 -.45 .83 .49
28 -1.81 .45 .27 .67 -.74 -.17 -1.11 .13 -1.18 -1.41
29 -.40 1.34 1.50 .57 -1.78 .O8 .95 .69 .38 .7 1
30 -.o1 .15 -1.83 1.18 .ll .62 1.86 .42 .O3 -.14
31 -.23 -.19 -1.08 .44 -.4 1 -1.32 .14 .65 -.76 .76
32 - 1.27 .13 -.17 -.74 -.44 1.67 -.O7 -.99 .5 1 .76
33 -1.72 1.70 -.61 .18 .48 -.26 -.12 -2.83 2.35 1.25
34 .78 1.55 -.19 .43 -1.53 -.76 .83 -.46 .48 -.43
35 1.86 1.12 -2.09 1.82 -31 -1.76 -.20 -.38 .82 -1.08
36 -.50 -.93 -.68 -1.62 -.S8 .O5 -.27 .23 -.58 -24
37 1.o2 -31 -.62 1.46 -.3 1 -.37 .O8 .59 -.27 .37
38 - 1.57 .10 .ll -1.48 1.o2 2.35 27 -1.22 -1.26 2.22
39 2.27 -.61 .6 1 -.?8 -.39 -.45 .89 1.43 1.03 -.01
40 -2.17 -.69 1.33 -.26 .I5 -.lo -.78 .64 -.70 .14
41 .O5 -1.71 .2 1 .55 -.60 -.74 -.go 2.52 -.O7 -1.11
42 -.38 1.75 .93 -1.36 -.60 -1.76 -1.10 .42 1.44 -.58
43 .40 -1.50 .24 -.66 .83 .37 -.35 S16 .96 .79
44 .39 .66 .19 -2.08 .32 -.42 -.53 .92 .69 -.03
45 -.1? 1.18 -.OS .3O -.21 .45 -1.84 .26 .90 35
46 1.20 -.91 -1.08 -.99 1.76 -.SO .5 1 .25 -.11 -.58
47 -1.04 1.28 2.50 1.56 -.95 -1.02 .45 - 1.90 -.o2 -.73
48 -.32 .56 -1.03 .ll -.72 .53 -.27 -.17 1.40 1.61
49 1.O8 .56 .34 -.28 -.37 .46 .O3 -1.13 .34 -1.08
-
J
Respuestas a
Problemas
seleccionados*
WÍTULO 1
1.11. a) AUBUC b) [ A n n c n C C ] ~ [ A c n ~ n C c ] u [ n C n a c ~ ~
d) AnBnC
1.15. ) 131 4 -8
1 3 ' 13
1.16. a) 1- t b) y - z 1.17. 8
CAIJÍTULO 2
CAPÍTULO 3
3.2. a) 8 b) b c) $ 3.3. g
CAPÍTULO 4
4.3. a) ; b) c) + 4.9. ;
4.10. a = ebb
4.23. 6) P ( X = k ) = ( y )(0.09)k(0.91)10-k
Prob. 4.9
- .
-
"
A
. , i.. I ' . ..
468 Respuestas a problemas seleccionados
4.25. a ) $ 4.28. p
4.29. a) 6 =p b) T =1 4.30. -8 525
CAPfTULO 5
@
.tg(y) = 3(4 - y ) - q 3 < y < 4
.
5.13.0.71
CAPfTULO 6
6 2 "-1
- a )k = 6) h(x)= x3/4, O < X < 2
{9 +
_
.."
= (5h2 - 80)/1Gh2, 4 5 h 5 9
Respuestasaproblemas seleccionados 469
WÍTULO 7
1,
7.3. 3.4
7.6. $0.03
1
7.24. a = 5 ,b =2 7.25. a ) E(V)= 4
ii) E ( P ) = 4
470 Respuestas a problemas seleccionados
CAPÍTULO 8
8.1. 0.219
8.3. U) 0.145 b) 4 C) 2 d ) 1o 2 e ) 1.785 f) 0.215
9.12. E ( L ) = $0.528
CAPfTULO 10
) ( 2 / t 2 > [ e t (-
10.1. a) ~ , y ( t = t 1) + 11 b ) .G(x) = 8, V ( X ) =
10.3. U) Mx(t)= k t a / ( A - t ) 6) E ( X ) = (ax + l)/A, V ( X )= 1 / X 2
10.4. a) M,y(t) = ;(et + e2t + e3t + e4t + e5t + e6t)
10.6. a) (1 - t')" 10.8. b ) E ( X ) = 3.2
10.9. a ) 0.8686 10.12. 0.30
10.13. 0.75 10.14. 0.579
10.18. 3 10.19. (e3' - 1)/3tet
CAP~TULO 12
12.12. f(s) = - [ -
2 @ (S,,,> (3E)]
Prob.12.2 a ) 0.83
Prob.12.5 b ) n = 443
Prob.12.13 b ) 0.043
Respuestas a problemasseleccionados 473
CAPfTULO 13
CAPÍTULO 14
14.2. C = 1/2(n - 1)
14.3. 16.1
14.6. U) l/(T" t o )
14.9. a) k/ x;"=,
ni 14.13. 0.031
CAPfTULO 15
15.1. a) l - @ ( % f i ) b ) C=-2.33-&+po
Prob.
13.5 b ) 0.735
Prob.
14.7 a)
o "to
In
15.9. a) ( b - 1) b ) Igud
Índice de materias
aproximación de DeMoivre- subconjunto, 5
Laplace para la distribución unió:n de, 5
binomial, 329 universal, 5
&-bol, diagrama de, 52 vacíol, 5
convergencia en
bondad de ajuste d e probabilidad, 325
pruebas, 434 covarianza, 1S9
prueba de ajuste
d e distribuciones desiguaddad d e Boole, 25
asintóticas, 436 desigua.ldad d e Chebyshev, 186,
prueba de una distribución 187,188
específica, 438, 439 desviac.ión e s t h d a r d e variable
aleatoria,176
coeficiente binomial, 35 diagrannas d e Venn, 6
coeficiente de confianza, 401 distribución binomial, S 1
coeficiente d e correlación, 189 apro:uimación normal
ejemplo de, 399 a l,a, 327
evaluación de, 189 distribución de Pascal, y, 230
interpretación de, 190, 191, propiedades de, 99
192,193, 194 valor esperado de, 155, 173
propiedades de, 189 varianza de, 180
comparación entre varias distribución binomial
distribuciones, 260 negativa, 228
confiabilidad, 298 distribución d e Cauchy, 270
d e los sistemas, 31 1 distribución d e Maxwell, 290
y la función d e distribución distribución d e Pascal, 228
acumulativa, 298 esperanza de, 229
y la longitud d e vida varianza de, 229
esperada, 303 y la distribución binomial, 230
y la tasa de falla, 298 distribución d e Poisson, 209
conjunto, 4 propiedad reproductiva
complemento de, 6 de, 288
identidad de, 7 valor esperado de, 210
intersección de, 6 varianza de, 2 1O
número de elementos, S y la distribución binomial, 21 1
476 Índice dematerias